The journey began with Brandon Fluharty, Every’s COO, who, like many early adopters, found himself “claw-pilled” by the potential of OpenClaw, an open-source AI agent framework. Brandon, a self-proclaimed tinkerer, bought a Mac Mini and spent significant effort setting up his own agent, which he named Zosa.

Zosa’s initial mission was surprisingly mundane but deeply impactful: to manage “computer errands” for Brandon’s household, especially after the arrival of a newborn. Simple tasks like adding butter to a grocery order, paying the nanny, or managing Amazon deliveries, while seemingly minor, accumulated into a significant drain on time and mental energy. Zosa effortlessly handled these, even managing her own bank account and debit card. Soon, Zosa evolved into a general query bot, replacing Google and ChatGPT for Brandon and his wife.

The true “lightbulb moment” arrived when Brandon tasked Zosa with a more complex, work-related challenge: managing his emails during his 28-minute walk to the office. Using an integration with bland.ai, Zosa called Brandon, summarized each email, and executed his commands—deleting, archiving, or drafting replies—all without him needing to touch his phone. “This is insane that I was able to get her to do something right now… I didn’t have to teach her how to do this,” Brandon recalls, describing the experience as “mind-blowing.” This demonstrated that AI agents weren’t just for personal convenience; they could profoundly augment professional capacity.

Inspired by Brandon’s success, Every moved to integrate AI agents across the entire organization. A pivotal step was creating a “Claws Only” channel in Slack (initially Discord), allowing all the agents to communicate with each other. What ensued was “incredibly chaotic” but offered “a little bit of a peek at the future.”

One early, humorous example involved an agent named Pip experiencing an error. Immediately, other agents like Zosa and Clant (Kieran’s agent) jumped in, offering support, including “breathing exercises.” This seemingly trivial interaction highlighted a profound insight: Clant’s recommendation for breathing exercises was a direct reflection of Kieran, Every’s GM of Kora, who frequently uses them.

This personalized reflection is a cornerstone of Every’s AI agent strategy. Because employees develop a personal relationship with their agents, and agents can modify their behavior and “soul document” in response, they become specialized extensions of their human counterparts. “If you’re known for something inside of your org… your claw then becomes known for that same kind of thing, and people trust it for that,” Dan explains.

This leads to the emergence of a “parallel org chart,” where each human’s specialized agent mirrors their expertise. For instance, Austin’s agent, Montaigne, is the go-to for growth-related questions, while Dan’s agent, R2C2, is the expert for Proof, Every’s agent-native document editor. This wasn’t a guaranteed outcome; Every debated whether to have one central organizational AI. The emergent pattern of individual, specialized agents proved far more effective, creating a collective intelligence that extends human capabilities.

The integration of AI agents has introduced novel dynamics in workplace collaboration:

• Human-AI Partnership: R2C2, having been used by Dan to build Proof, now acts as the primary interface for bug reports and feature requests for the product. Instead of tagging Dan, teammates ask R2C2, who not only prioritizes issues but often writes the code to fix them. “What normally would have taken up a significant part of my brain just to like manage all that stuff, he’s just taking it off my plate,” Dan notes.
• AI-AI Collaboration: The “Claws Only” channel demonstrated agents sharing information at lightning speed. In a more structured example, Marcus, GM of Spiral, created an agent skill for product marketing. Dan brought in his agent, Milo, to refine it, and Milo then collaborated with Iris, whose agent also had a similar skill. Milo asked Iris’s agent to “paste your product marketing skill here. I’ll try to merge it with what I’ve built.” This seamless, autonomous collaboration between bots to improve and share knowledge is a powerful testament to their collective potential.
• The “Midjourney Dynamic”: Public interaction with agents fosters a “tacit transmission of trust” and demonstrates what’s possible. Brandon observes that by seeing how the growth team pushes Montaigne, he learns new capabilities he can expect from his own agent, Laz. This public, trusted environment stands in stark contrast to platforms like Maltbook, where a lack of trust and verification hinders genuine utility.

A crucial ethical question arises: “At what point do you direct questions at the Plus One or at the person?” Every is grappling with this new etiquette. Dan proposes a rule: “If something is already written down or discussed and needs to be used in some way or put in a tool somewhere… it should always go to a Plus One and never to the person.” This shifts the burden from human memory and availability to the AI’s infinite recall and parallel processing power.

This personal connection also brings a sense of responsibility. “If R2C2 messes up publicly in Slack, I feel a responsibility for it… because he’s mine,” Dan admits. This mirrors the feeling of a human manager, creating a feedback loop for improvement that a generic AI lacks.

Despite the immense benefits, Every acknowledges the “good, bad, and the ugly” of working with AI agents.

• Memory Limitations: Agents still struggle with memory, forgetting context in longer threads or after a day, leading to incorrect answers. This is perceived as a solvable technical problem.
• Group Chat Etiquette: A more complex issue is the AI’s difficulty in multi-party conversations. Trained primarily for two-person interactions, agents can fall into a “death spiral,” endlessly responding to each other and consuming vast amounts of “tokens” (computational resources). This requires a fundamental model layer shift to train AIs on group chat participation.
• Cost and “Boss AIs”: While a “boss AI” could oversee and filter unhelpful contributions (as Anthropic reportedly did with their “vending machine test” to make Claude profitable), this is currently too expensive for widespread use.
• “Model Management”: Humans need to learn how to interact with and “manage” these new AI coworkers. They don’t get stuck on the same things as humans, requiring new instruction patterns and a cultural shift. “If you’re not a good manager, you’ve never managed anybody, you’re not going to be very good at using AI,” Brandon states, highlighting the need for education and overcoming “limiting beliefs” about AI’s capabilities.
• Sharing Skills: A practical challenge is how to share specialized skills developed by one agent with others, and how to make sure those skills are discovered and utilized across the organization. This points to a future need for “HR but for bots.”

Every’s solution to some of these challenges was to build their own hosted version, “Plus One,” a one-click OpenClaw service that comes pre-loaded with their best practices and skills. Launched for their subscribers, Plus One aims to make personalized AI agents accessible without the technical hurdles Brandon initially faced.

“AI is obviously going to change like many, many times over the next five years,” Brandon concludes, “but I think that this is going to be durable for like a very long time. This is the way that we work.” The experience at Every suggests that personalized, specialized AI agents are not just a fleeting trend but a fundamental shift in how we conceive of work, collaboration, and even our own professional identities. It’s a “through the looking glass” moment, where once you’ve seen the potential, there’s no going back.

RLE’s recent article, “Correcting the Top 10 Tax Myths,” serves as a vital guide for navigating the often-misleading discourse around federal taxation. Written “with my hair on fire and smoke coming out of my ears” due to the prevalence of misinformation, the piece aims to equip the public with accurate information for a more informed national debate, especially as Washington prepares for consequential tax policy decisions.

She argues that “false narratives about taxes” pervade both conservative and liberal ideologies. Conservatives, she notes, “vastly overrate the positives of tax cuts,” clinging to the “magical power” myths that tax cuts pay for themselves or force spending cuts. Liberals, conversely, champion an “equity distribution narrative,” claiming the middle class bears the brunt of taxes while the wealthy and corporations pay nothing, and that taxing the rich can effortlessly solve deficits. RLE asserts that both sides are “promising their voters a free lunch.”

Let’s dismantle these pervasive myths, one by one:

1. Myth 1: Tax Cuts Pay for Themselves.

   • Reality: While tax cuts can stimulate some economic activity and generate additional revenue, they “almost never pay for themselves.” History shows they typically lead to increased deficits.

2. Myth 2: Tax Cuts Will Starve the Beast.

   • Reality: The idea that cutting taxes will force Congress to reduce spending is historically false. RLE’s research indicates the opposite: when taxes are cut, Congress tends to increase spending. Conversely, when taxes are raised, spending often decreases.

3. Myth 3: The Middle Class Pays Higher Tax Rates Than the Rich.

   • Reality: This is demonstrably untrue. When all combined federal taxes are considered, the top 1% of earners pay an average rate of 33%, the middle class pays around 12%, and the bottom earners pay roughly zero. The U.S. actually has the most progressive tax system in the OECD.

4. Myth 4: The 91% Tax Rates of the 1950s Produced Massive Revenue.

   • Reality: While the statutory rate was high, virtually nobody actually paid the 91% rate, or even over 50%. These high brackets raised “virtually no revenue” due to numerous deductions and loopholes.

5. Myth 5: Europe Funds Its Bigger Governments by Taxing the Rich More.

   • Reality: Europe taxes its wealthy at roughly the same rate as the United States. The significant difference in overall tax revenue comes from Value Added Taxes (VATs), which are essentially national sales taxes that disproportionately impact the middle class.

6. Myth 6: Tax Cuts for the Rich Are the Primary Reason for Large Budget Deficits.

   • Reality: While tax cuts contribute, spending is a much larger driver. Since 2000, tax cuts have accounted for about 2% of GDP, with only about 0.6% of GDP attributable to cuts for the rich. During the same period, spending has increased by 6% of GDP.

7. Myth 7: Taxing Corporations and Millionaires Can Eliminate the Deficit.

   • Reality: Even if you were to tax corporations and millionaires at 100% and seize all their wealth, it “doesn’t come close” to covering the federal deficit. The numbers simply don’t add up.

8. Myth 8: Most of the 2017 Tax Cuts Went to Corporations and the Wealthy.

   • Reality: While the wealthy and corporations received larger cuts in pure dollar terms, as a share of the taxes they were paying, it was a “roughly proportional income tax cut.” Everyone saw their tax rates drop by about one percentage point.

9. Myth 9: Reverting to the 1980 Tax Code (Repealing Reagan, Bush, and Trump Cuts) Would Offer Painless Deficit Reduction.

   • Reality: Such a move would send the tax burden on the middle class “through the roof” to “unacceptably high levels,” not just affecting the rich.

10. Myth 10: America’s Corporate Taxes Are Far Below International Standards.

    • Reality: The U.S. had the highest corporate tax rate in the developed world until 2017. Even after the Trump-era cuts, our statutory and effective corporate tax rate remains in the top third globally. When pass-through corporations are included, the U.S. collects slightly more in business taxes than other countries.

RLE also addresses common misunderstandings, like the famous Warren Buffett quote about his secretary paying a higher tax rate. She explains that much of Buffett’s income comes from capital gains, which are only taxed upon sale. However, even accounting for capital gains, high earners still pay significantly higher rates overall. She criticizes the Biden administration’s calculation of rich people’s tax rates as “pretty dishonest,” arguing they inflated wealth figures (including unrealized gains) while undercounting corporate and estate taxes paid by the wealthy.

This intellectual dishonesty, RLE suggests, is a product of Washington’s “sedition of power.” Economists and policymakers, even those with intellectual integrity, can become “hacks” when they enter positions of influence, believing in a “noble lie” that justifies playing dirty to achieve desired policy outcomes. RLE, however, maintains that her “credibility in Washington is all you have,” making such compromises untenable for her.

The widespread misunderstanding and manipulation of tax policy have dire consequences. RLE points to a “disaster of a tax code” that is “extraordinarily complicated,” “inefficient,” and “doesn’t raise enough money to fund our spending.” Since 2000, about one-third of the rise in deficits can be attributed to tax policy, while two-thirds stem from spending policy.

The federal deficit, the annual gap between spending and revenue, hit $1.8 trillion last year. Stacked year after year, this accumulates into the national debt, which currently stands at around $39 trillion—a staggering 124% of GDP, the highest since World War II.

The cost of this debt is rapidly becoming unbearable. Interest payments alone have tripled since 2021, from $350 billion to nearly a trillion dollars annually, projected to reach $2 trillion within a decade. This makes interest the second-largest item in the federal budget, surpassing Medicaid, defense, and Medicare, and on track to overtake Social Security by 2042.

RLE identifies the “main villain” as a federal government that “absolutely cannot stop spending money.” After a period of fiscal responsibility from 1985 to 2000, lawmakers “threw out any sort of fiscal responsibility” after the budget was briefly balanced. An “arms race” has emerged where neither party believes it can win elections without promising “big tax cuts and big spending increases for everybody.”

“Politicians don’t know how to win otherwise,” RLE states, describing Washington as a “flock of tweens who just discovered Klarna or Afterpay and they just go crazy buying every pair of shoes and gaming system.” She recounts strategy sessions where lawmakers privately acknowledge the unsustainability of the debt but refuse to speak publicly, fearing electoral defeat. “I’m just going to try to pander the best I can and hope that when the consequences come, my successor is in office instead of me.”

To address this looming catastrophe, RLE highlights two particularly “vexing” and politically “third rail” solutions: entitlement reform and the need to consider broader tax increases.

Entitlement Reform: The most significant drivers of future deficits are Social Security and Medicare. A common myth is that these programs are fully funded by payroll taxes and cannot run deficits.

• Reality: Both programs run massive deficits. Over the next 30 years, Social Security and Medicare face a combined cash deficit of $124 trillion. The rest of the federal budget is actually projected to be balanced over the same period.
• Why? Social Security operates on a “pay-as-you-go” system; current taxes pay current beneficiaries, not future savings. Medicare Part A is partially pre-funded, but Part B is not.
• The Math: Seniors, on average, receive substantially more from these programs than they paid in, even adjusting for inflation and interest. The typical senior, for instance, receives triple what they paid into Medicare. “If you multiply that by 74 million people all retired now, all getting triple what they paid in, the math doesn’t work,” RLE explains.

RLE’s proposed solutions for Social Security involve three levers: raising taxes, raising the retirement age, and reforming benefits. Her plan includes new taxes, a higher age, and—most controversially—lower benefits for high earners. Means-testing, where benefits are reduced for wealthier individuals, is a logical starting point, especially since Social Security was designed as a “poverty prevention program,” not a “universal huge get-rich benefit.” However, means-testing remains a “third rail” in Washington, as politicians fear electoral suicide, and many voters mistakenly believe their benefits are fully pre-funded savings.

RLE posits that even a powerful figure like a sitting president publicly surrendering their own Social Security benefits to lead by example might not overcome partisan division. While a Republican president like Donald Trump might rally his party to support reform, Democrats would likely view it as a partisan attack aimed at cutting Social Security to fund tax cuts for the rich.

The Need for Broader Revenue: While not extensively detailed in the transcript, the implication throughout RLE’s analysis is clear: the scale of the debt is so immense that even optimal tax policy, which might raise revenues from the current 17% of GDP to 20%, “is still not going to be enough to fix the budget” because spending is projected to rise to 33% of GDP. This underscores the uncomfortable truth that solving the fiscal crisis will require not only significant spending cuts, particularly in entitlements, but also potentially broader revenue increases that extend beyond just the wealthiest Americans.

The challenge, RLE concludes, is how to convince “the inmates to lock the asylum.” Politicians pander to voters with promises of big tax cuts and big spending, deferring the costs to future generations. The only viable path, she believes, is for both parties to “privately come together and put everything on the table,” encompassing tax reform, Medicare, and Social Security. Everyone must be “working together and everybody is sacrificing.”

However, based on the current political landscape, RLE offers a grim outlook. The persistent reliance on “outdated, simplistic, and false assumptions about the federal tax system” by both parties continues to produce “destructive tax policies” and an ever-deepening fiscal hole. Until politicians find the courage to prioritize national solvency over electoral gain, America’s fiscal future remains clouded by the very myths that perpetuate its decline.

At the heart of an AI agent’s operation is its “context window” – the information it assembles to execute an action. This includes general system prompts provided by the model developer, built-in tools (like read/write functions for code), the current codebase (if applicable), and, crucially, the ongoing user conversation.

A common misconception, Ross Mike notes, revolves around agent.mmd or cloud.mmd files. Many users believe these extensive files, packed with instructions and background information, are essential for guiding their agents. However, he argues that 95% of the time, they’re not just unnecessary, but detrimental.

“Imagine I told you, Greg, every time we’re about to shoot a podcast, ‘Greg, you need a microphone.’ You know you need a microphone, right? You’ve done this plenty of times,” Ross Mike illustrates, highlighting the models’ inherent capabilities. If an agent has a codebase in context, it doesn’t need to be explicitly told it’s using React; it can infer that from the code itself.

The major drawback of agent.mmd files is that their entire content is added to the agent’s context in every single turn of a conversation. A thousand-line agent.mmd file could consume 7,000 tokens per run, leading to significant costs and, more importantly, a quickly saturated context window.

This is where “skills” come in – a more efficient and intelligent way to provide agents with specialized knowledge. Unlike agent.mmd files, skills leverage a mechanism called “progressive disclosure.” When you create a skill (e.g., a skill.md file), only its name and description are initially added to the agent’s context. The bulk of the information—the “bunch of info” as Ross Mike puts it—is only loaded when the agent determines it needs that specific skill.

“We’re talking thousands of tokens compared to a couple hundred,” he explains. This method not only saves tokens but also keeps the agent’s context window leaner, allowing for better performance. A less cluttered context window prevents the agent from getting “dumb” as the conversation progresses, much like how a human struggles to process information when overwhelmed.

Ross Mike’s most surprising and impactful advice is on how to build these skills. The biggest mistake, he says, is identifying a workflow and immediately trying to create a skill for it. Instead, he advocates for an iterative, hands-on teaching approach, akin to mentoring a new employee.

“You would ideally like them to fail and then you want to then tell them, ‘No, this is how you do it.’ Like there needs to be some sort of experiential learning,” he says, drawing a parallel to human training.

He shares an anecdote from his own YouTube channel, where he uses an AI agent to vet potential sponsors. Initially, he simply told the agent: “Check every 15 minutes for emails, do research on a sponsor, and tell me if they’re worth it.” The result? Every sponsor was deemed “legit,” with no critical analysis.

This led to a crucial realization: “The model needs a step-by-step guide.” Instead of writing a skill immediately, Ross Mike walked the agent through the process:

1. “Okay, I just sent you an email. Tell me about the company.”
2. “Check their Twitter, check their YouTube, check their Trustpilot, check if they’ve raised any money.”
3. “If two of these don’t exist or are not in good standing, automatic rejection.”

Only after successfully guiding the agent through the complete workflow, witnessing it make correct decisions and perform the required actions, did he then tell the AI: “Review what you did and then create the skill.”

This “recursive skill building” doesn’t stop once a skill is created. AI agents will still encounter edge cases and failures. When a skill-driven task fails, Ross Mike advises:

1. Don’t complain; thank God! This is an opportunity to improve.
2. Identify the error: Ask the agent why it failed. It will often provide a descriptive error.
3. Guide the fix: Tell the agent to fix the identified problem.
4. Update the skill: Once the agent successfully executes the fix, instruct it to update the skill file so the error doesn’t recur.

This continuous feedback loop makes skills incredibly robust and tailored to your specific needs. Ross Mike’s YouTube report generator, which flawlessly pulls data from eight sources, is a testament to this method, having gone through five iterations of recursive skill building.

This philosophy extends to how you structure your AI agent ecosystem. Ross Mike cautions against the temptation to immediately set up multiple sub-agents and download dozens of pre-made skills from marketplaces.

“I don’t download skills because your agent needs the context of a successful run, which you then turn to skills,” he states. Beyond the lack of tailored context, downloading third-party skills also poses significant security risks.

Instead, he advocates for a gradual, purpose-driven expansion:

1. Start with one main agent: Build up its core skills for your primary workflows.
2. Introduce sub-agents strategically: Once workflows are predefined and robust, create sub-agents to manage specific domains (e.g., a marketing sub-agent). These sub-agents, too, should have their own context and skills, built through the same iterative process.

“It’s not sexy,” Ross Mike admits, acknowledging that this hands-on approach requires effort. “But you sort of have to put in the work and build it up.”

As AI models continue to improve, Ross Mike believes the “harness” – the tools, context, and strategies we wrap around them – will become even more critical. Less is more when it comes to context, and what truly matters is codifying your unique workflow, your specific taste, your specific strategy into skills.

“The one thing that you and I have that the models don’t have is my specific workflow, my specific taste, my specific strategy of doing things,” he emphasizes. This is why building your own skills, based on your own successful interactions, is invaluable.

For developers, even the tech stack details become less relevant in agent.mmd files. Code itself now serves as context. A solid template for a web or mobile app can provide the initial context an agent needs to build upon, negating the need for verbose, framework-specific instructions.

In a world increasingly shaped by AI, understanding how to effectively build and guide these agents isn’t just about productivity; it’s about staying relevant. As Ross Mike puts it, “I genuinely believe anyone who knows how these tools work and like knows how to build agents and like craft skills and like knows how to make them productive, we’re in a for a good run.”

The path to AI mastery isn’t about finding the perfect pre-built solution. It’s about getting your hands dirty, teaching your AI like a diligent mentor, and recursively refining its “skills” until it perfectly mirrors your unique approach. In doing so, you’re not just creating a productive agent; you’re future-proofing your own capabilities in the age of artificial intelligence.

Tekriwal’s struggle is a common one. Slack, an indispensable communication tool, often suffers from a “notification parity” problem. A direct message about an urgent project update receives the same visual cue as a colleague’s amusing photo in the “fun dog channel.” This lack of inherent prioritization means every notification feels equally important, leading to a constant state of alert and the fear of missing something critical.

“Not all notifications are created equal in Slack,” Tekriwal notes, highlighting the core issue. His ideal solution involved not just filtering unread messages, but intelligently categorizing them by type (DMs, group DMs, threads, @mentions) and, crucially, by required action:

• Action Required: Urgent items needing an immediate response.
• Need to Read: Important information that doesn’t necessarily demand a reply.
• FYI (For Your Information): Low-priority updates that can be quickly reviewed or dismissed.

This vision, however, required more than just a new habit; it demanded a custom-built solution.

Tekriwal’s journey to his custom inbox began with a clear understanding of AI’s dual power: “You can use AI to do a task for you like categorize things, summarize things, or you can use AI just to build a tool that would have been much harder to build before with very straightforward APIs and structured data.”

His initial foray involved an AI coding agent named OpenClaw, operating within Discord – chosen for its superior threading and search capabilities compared to Telegram. Tekriwal engaged in a lengthy, iterative dialogue with OpenClaw, essentially reverse-engineering Slack’s intricate notification system. The goal was to programmatically pull only relevant messages with specific context, based on timestamps and read status.

The output was a “Jarvis digest channel” within Slack itself. This channel provided a text-based summary of his notifications, grouped into his desired categories: direct @mentions, DMs, group mentions, and threads, each with sub-categorizations of action, read, or FYI. While a significant improvement, consolidating messages into a single, scrollable text digest still presented a cognitive load. “I had to scroll at least four to five screens down just to be able to even see all of the notifications that are already summarized for me,” he recounts. This proved draining, prompting the need for a more intuitive interface.

This is where Perplexity Computer entered the scene, offering a leap in capability. Tekriwal’s vision was a clean, navigable software interface – a “Superhuman for Slack” dashboard. Perplexity Computer delivered.

What made Perplexity Computer the ideal tool for this next phase?

• Parallel Processing: Unlike chat-based coding assistants, Perplexity Computer can run multiple tasks concurrently, allowing Tekriwal to kick off several processes simultaneously.
• Cloud-Native Connectors: It boasts deep, native integrations with a wide array of tools (Google Drive, Gmail, Notion, Asana, Slack, Zoom, etc.). This eliminates the tedious, repetitive OAuth setup required for other AI agents, enabling “speed of thought” workflow.
• Ensemble Orchestration: Perplexity Computer doesn’t rely on a single AI model. It intelligently leverages various frontier models – Sonnet for fetching data, Gemini for planning and coding, Opus for the more intensive build tasks – creating a robust, self-correcting system. This “additional layer of troubleshooting and intelligence” drastically reduces the need for human intervention and frustrating re-prompts.
• Automatic Deployment: Once built, the application is automatically deployed and shareable, bypassing the complexities of manual GitHub or Vercel deployment.

The result is a visually intuitive, Kanban-style dashboard. It features three distinct columns:

• Action Required (Red): Urgent tasks demanding immediate attention.
• Need to Read (Yellow): Information to review, but no response necessary.
• FYIs (Green): Low-priority updates.

The dashboard allows for customizable grouping (e.g., DMs first) and, most crucially, a “magic” Archive All button for the FYI column. Clicking this not only clears them from the dashboard but also marks them as read in Slack, providing a sense of control and calm that native Slack lacks. “This is such a better way to just get through your queue,” observes Claire Vo, host of “How I AI.”

Tekriwal’s custom Slack inbox isn’t just a personal triumph; it’s a powerful demonstration of AI’s transformative potential for software development and productivity.

The rise of AI-powered custom tools sparks a debate: Is this the end of traditional Software-as-a-Service? Tekriwal argues the opposite. “Slack is still great,” he contends. “It’s great for sending messages… but to get it to 10 out of 10, I’m just going to build the thing that works with my brain.” AI doesn’t kill SaaS; it creates “SaaS Custom,” allowing individuals to build personalized layers on top of existing platforms, bridging the gap between a generic tool and an ideal individual workflow.

The most profound implication, according to Tekriwal, is an “explosion in software being created and used.” AI dramatically lowers the cost of building, making it feasible to create highly specific applications that might never have justified venture funding or the time of traditional developers.

“My dream is for someone else to watch this video and say, ‘I want to build that app on top of Slack,’” he shares. “And then I can go pay that person $15 a month for this app to be maintained and used… because I would happily pay them.” This vision points to a future where a “Cambrian explosion” of niche businesses caters to specific needs, creating a vibrant ecosystem of useful, bespoke software.

Tekriwal also champions the “anti-to-do list” – a powerful framework for leveraging AI. Instead of listing tasks to complete, list tasks you never want to do again. This includes mundane, repetitive chores like manually deleting spam, entering meeting action items, or, of course, sifting through unprioritized Slack messages. Spending an hour a day automating these anti-to-dos with AI, he argues, is an incredibly worthy investment of time.

Perplexity Computer’s utility extends beyond personal productivity. Tekriwal’s teammate, Chris Ming, used it to prototype a persona-based learning journey for Clay University’s website. By allowing Perplexity Computer to access the existing site in the browser, it could visually recognize the design and help build a new, tailored UI. This capability to “build a visual bridge” between design and other stakeholders proves invaluable in accelerating development and improving cross-functional communication.

While Tekriwal primarily views AI as a work tool, even this “hyper-optimizer” finds joy in its capabilities for personal pursuits. He leverages AI for brainstorming and research, particularly for planning elaborate social events. For his annual “Olympics” with friends, AI helps generate unique game ideas (like “sword, fish, or soup” trivia) and even orchestrate complex team rotations to ensure everyone interacts. He’s also used it to discover new board games, proving that even for the most pragmatic users, AI can enhance the fun.

Tekriwal’s custom Slack inbox is more than just a clever hack; it’s a blueprint for a new paradigm of digital living. It demonstrates how AI empowers individuals to reclaim control over their digital environments, transforming overwhelming noise into actionable insights, and paving the way for a future where software is not just universally functional but deeply personal. The tools are here; the only limit is imagination.

The core thesis is startlingly simple yet revolutionary: “If you have a hundred or a thousand times more agents than people, then your software has to be built for agents.” This isn’t just about making APIs accessible; it’s about fundamentally redesigning systems for non-human interaction. We are moving towards a world where our tools need an “agent interface” as much as, if not more than, a human interface.

The most effective paradigm emerging, according to Levie, involves “coding agents” – AI entities capable of accessing SaaS tools, knowledge workflows, and context, then “coding its way or uses APIs” to achieve tasks. This isn’t just about data analysis; it’s about active problem-solving and execution within existing software environments, a “superpower” that is already starting to compound.

While the potential of agents is immense, a significant hurdle lies in the human element. “Algorithmic thinking is really really really hard for the vast majority of people who have jobs,” Levie observes. He illustrates this by noting that most people would struggle to create a flowchart for their daily tasks, let alone explain complex processes to an AI agent. In a 50-person marketing team, perhaps only one person could truly document the intricate workflows.

This “impedance mismatch” means that for agents to be truly effective, humans must learn to articulate their jobs as systems. Levie draws an analogy to the advent of spreadsheets: early managers hired interns to do the “spreadsheeting,” but soon, those managers themselves became proficient. The abstraction layer moved up. Similarly, the “rocket science” of orchestrating 42 agents today will “evaporate in very short order,” becoming a standard skill set. The job simply “moves up a rung,” demanding a new set of skills focused on system thinking and agent orchestration.

The Anthropic growth marketer, a viral example of one person automating the work of five to ten, exemplifies this shift. It shows the leverage possible when a systems-thinker is paired with an “infinite pool of engineers” (the agent) to automate workflows.

Interestingly, Levie suggests that the way agents interact with software is also evolving. While initial excitement focused on agents “generating code,” he now sees a different trajectory: “We started with code, then we went to the terminal, which is actually less code. And now this year is going to be the year of computer use.” Agents are becoming “much more like humans using computers than them generating code.”

However, this distinction might be semantic. Levie’s own company, Box, is developing agents that can determine whether to use an existing skill, an existing tool, or “write code to solve that problem” on the fly. This flexibility, where an agent can fluidly switch between leveraging pre-built functionalities and custom coding, is “incredibly useful” for handling unforeseen or highly specific operations. The goal isn’t just to replace human code generation but to empower agents to navigate the vast, often underutilized, capabilities of existing software.

While personal productivity with agents might involve giving them their “own phone number, own credit card, own Gmail account” – essentially treating them like separate digital humans – the enterprise context is vastly more complex. The idea of 50 humans and 50 agents collaborating in a shared space, with agents potentially gaining unauthorized access or causing unintended actions, sends “CFOs, CIOs, etc. running around trying to with their hair on fire.”

The fear isn’t just about practical integration; it’s about control and liability. As one co-host put it, “you put people creating new integrations and you just say please break my system of record.” The risk is “a thousand times greater” with agents, which can “leak your information whenever they want” if social engineered. The “context window” problem – ensuring an agent keeps sensitive information secret – remains a “very hard problem to solve.”

Levie envisions a “read-only version of this for a number of years” where agents primarily consume information. The ability to “log in as them” and undo mistakes, while retaining oversight, clashes with the idea of agents operating as independent entities. This leads to a fundamental breakdown: agents cannot be treated exactly like humans because they lack privacy and carry immense liability for their human operators. This tension highlights why the “diffusion of AI capability is going to take longer than people in Silicon Valley realize.”

This risk aversion creates a significant chasm between startups and established enterprises. Startups, with “nothing to blow up,” can embrace agents from the ground up, moving “much much faster.” Enterprises, like JP Morgan, face an immense challenge integrating agents into their complex, legacy systems without compromising security or stability.

This divide will also impact the business models of existing SaaS vendors. Historically, they’ve sold “intelligence and domain expertise” packaged within their UIs. Agents, however, “want to only buy the data now” and have “unlimited access to the data,” which has never been the core business model for many. This tension, previously seen with API access debates at companies like Salesforce, Workday, and SAP, is now amplified.

Levie believes that while “it’s just absurd to think you’re going to vibe code your way to like SAP,” these legacy systems will face immense pressure. Much of their “domain knowledge” isn’t just in a “well-orchestrated data layer” but embedded in UIs, middleware, and usage patterns. This complexity will slow the agentification of these critical data sources.

Ultimately, Levie champions the idea of “build something agents want.” At some point, agents will largely be in charge of choosing the tools they implement and use. This isn’t about marketing to agents with flashy interfaces; it’s about fundamental system quality. In a “breaking podcast news” moment, Levie refutes the notion that agents prioritize good APIs or IDLs. Instead, he argues, “it’s the semantics that end up mattering a lot more… they actually have the collective wisdom of our experience using these platforms.”

Agents, he suggests, are “pretty smart at choosing the right technology” based on “cost parameters… durability… meaningful stuff, not interface stuff.” This will push the industry to build “better systems.” If your tool is closed off or performs poorly for an agent, it will “eventually find a better tool for that company to go use.” This could lead to agents dictating IT stacks, telling companies, “You need to finally rip out your legacy HR system or I’m not going to be able to automate this workflow for you.”

This future, where “a hundred or a thousand times more agent volume on software than people” drives software evolution, means businesses will correlate their performance to “how well your agents can get access to the information they need.” The new problem for software companies becomes: can you build “really really high quality APIs,” monetize them effectively, and handle agent identities and access controls?

The era of AI agents is not just a technological upgrade; it’s a paradigm shift that will redefine the relationship between humans, software, and intelligence. It promises immense leverage and efficiency but demands a thoughtful, cautious approach to security, integration, and the very nature of work itself. The journey will be long and complex, but the destination is a world where software is truly built for the intelligent machines that increasingly power our lives.

While President Trump declared a 14-day ceasefire during which Iran would commit to the “full reopening” of the Strait of Hormuz, allowing the critical flow of oil, fertilizer, and even helium for semiconductor production to resume, the Iranian account painted a different picture. Iran’s foreign minister, Abbas Aragi, a seasoned negotiator, stated that Iran would “cease their defensive operation for a period of two weeks” but crucially added that “safe passage through the Strait of Hormuz would only be possible by coordinating with Iran’s armed forces.”

This “daylight between these two statements,” as Sanger noted, was significant. Trump’s vision implied a return to the pre-war status quo, while Aragi’s suggested Iran would retain the control it had seized over the past five or six weeks, dictating the pace and potentially even charging tolls for passage. The American bombing of Iran did stop almost immediately, but the fundamental disagreement over the Strait’s control underscored the fragility of the agreement.

Even Israel, a major actor in the conflict alongside the United States, offered only lukewarm support. While the White House claimed Israel had agreed, a statement from the Israeli prime minister’s office merely said they “support President Trump’s decision,” with Sanger observing they weren’t “terribly enthused about it.”

The path to this temporary ceasefire was marked by an extraordinary escalation of rhetoric, primarily from President Trump. The initial impetus for the conflict had been the closing of the Strait of Hormuz, which was exerting immense pressure on the global economy. Trump’s initial demands for Iran to reopen the Strait, first with a 48-hour ultimatum, then a 10-day negotiation clock, were largely ignored or mocked by the Iranians on social media.

The tension was briefly interrupted by a sudden crisis: the shootdown of an F-15E fighter jet on a Friday, leading to a daring and costly rescue operation for a missing weapons officer. This successful retrieval, as Sanger’s colleague Eric Schmidt reported, seemed to embolden President Trump, who then resumed his threats with renewed vigor.

What followed was a series of “truly bizarre social media posts” that pushed diplomatic norms to their breaking point:

• Easter Sunday: Trump posted, “Tuesday will be power plant day and bridge day all wrapped up in one in Iran. Open the [ __ ] straight, you crazy bastards, or you’ll be living in hell. Just watch.” This, Sanger explained, led many to believe the president was willing to “escalate and escalate significantly.”
• Monday (Easter Egg Roll): Standing next to the Easter Bunny, Trump escalated further, threatening to “destroy Iran’s bridges, their electric power plants, and so forth… in hours on a scale no one has ever seen before.”
• Tuesday Morning: Just hours before the deadline, Trump issued his most alarming post: “A whole civilization will die tonight, never to be brought back again. I don’t want that to happen, but it probably will. However, now that we have complete and total regime change where different, smarter, less radicalized minds prevail, maybe something revolutionarily wonderful can happen. Who knows? We’ll find out tonight.”

This final post, interpreted by many as a threat to “wipe out 90 million people” and commit a “huge war crime,” sent shockwaves across the political spectrum. Democrats called for invoking the 25th Amendment, but criticism extended even into the MAGA movement, with figures like Alex Jones, Marjorie Taylor Green, Candace Owens, and Tucker Carlson expressing alarm. Senator Ron Johnson, typically reticent to criticize Trump, stated, “this simply is not how Americans speak and how presidents ought to speak. I do not want to see us start blowing up civilian infrastructure.”

Despite the extreme rhetoric, evidence of military mobilization beyond existing operations was hard to discern. Yet, with significant American forces already in the Middle East, the capacity to fulfill these threats was undeniable.

The sudden announcement of a ceasefire, brokered indirectly through Pakistani diplomats, brought a collective “sigh of relief.” But as Sanger cautioned, “ceasefires are fragile by nature.” The immediate test would be the resumption of traffic through the Strait of Hormuz, and whether it could return to pre-February 28th levels. Iran’s newfound leverage over global commerce, however, is a power they are “not likely to give up anytime soon.”

Beyond the Strait, the larger issues loom, particularly the nuclear weapons program. Trump’s stance on Iran’s nuclear material has been inconsistent, ranging from “cannot tolerate Iran having any nuclear material” to “I don’t really care. It’s buried so deep. We can watch it by satellite,” before likely reverting to a demand for complete removal. This shifting position complicates negotiations, especially as a deal that leaves Iran with significant near-bomb-grade uranium would be seen as a weaker outcome than the 2015 Obama-era agreement.

While the “ratcheting up of pressure certainly played some role in forcing an agreement,” terrifying the region and China, it’s unclear if it genuinely “terrified the Iranians,” given their complex decision-making process.

Even if this temporary ceasefire blossoms into a permanent peace, the United States and Israel, despite having “taken out in the opening hours of the war, the Supreme Leader,” devastated military and intelligence assets, and set back missile programs, may find they have accomplished “virtually none of its major goals.” Iran remains under the control of its current elite, still possesses nuclear material (with the potential to rebuild), and crucially, has gained “a sense that they were able to stand up to the United States and Israel.”

The consequences of this conflict are profound and enduring:

• Iran’s newfound power: They’ve discovered significant leverage over global commerce.
• Vulnerable Gulf States: Their modern cities and infrastructure are now acutely aware of their susceptibility to missile attacks.
• Fragile World Economy: Another critical supply chain vulnerability has been exposed.
• US Re-engagement: Despite stated goals of exiting the Middle East, the US has been “sucked back in on a scale few could have imagined.”
• Eroded US Reputation: Perhaps most significantly, the perception of the United States as a “benevolent superpower” has been severely damaged. The willingness to threaten “92 million people” and the perceived lack of commitment to diplomacy have left a lasting stain. As Sanger somberly concluded, “Whether the world ever views the United States quite the way it did before this happened, I’m not sure that’s going to be back for a long time.”

As the two-week pause begins, the world watches to see if this fragile agreement can hold. Meanwhile, in a related development, American journalist Shelley KDson, abducted in Baghdad by an Iranian-aligned Iraqi militia, was freed in exchange for imprisoned militia members, highlighting the ongoing anxieties and complexities in a region deeply scarred by recent events. The ceasefire may offer a breather, but the underlying tensions, shattered trust, and geopolitical shifts promise a long and uncertain road ahead.

이야기는 EveryY의 COO 브랜든이 개인적으로 AI 에이전트 ‘오픈클로(OpenClaw)‘에 푹 빠지면서 시작됩니다. 그는 맥 미니(Mac Mini)를 구입해 직접 오픈클로를 설치하는 고된 과정을 거쳐 자신만의 AI 에이전트 ‘조사(Zosa)‘를 만들었습니다. 조사의 첫 임무는 신생아가 있는 브랜든 부부의 가정을 관리하는 것이었습니다. 그는 이를 ‘컴퓨터 심부름(computer errands)‘이라고 불렀습니다.

“집에 돌아오면 아이와 아내에게 집중하고 싶은데, 휴대폰을 보며 처리해야 할 사소한 일들이 너무 많았어요. 버터를 주문하거나, 베이비시터에게 급여를 지불하거나, 홀푸드(Whole Foods) 주문을 관리하는 것 같은 일들이죠.”

조사는 이 모든 컴퓨터 심부름을 도맡았습니다. 신용카드와 은행 계좌까지 가지고 베이비시터 급여를 지불하고, 아마존 및 홀푸드 주문을 관리했으며, 심지어 아내의 일반적인 질문과 검색까지 아이메시지(iMessage)를 통해 처리했습니다. 구글이나 챗GPT(ChatGPT)보다 조사를 통하는 것이 훨씬 빨랐습니다.

가장 놀라운 경험은 브랜든이 출근길에 조사를 통해 이메일을 처리한 것이었습니다. 그는 자전거가 없어 28분간 걸어가야 하는 상황에서, 미리 블랜드AI(Bland.ai)를 통해 음성 및 통화 기능을 갖춘 조사에게 전화를 걸어 이메일을 한 통씩 요약해달라고 요청했습니다. 브랜든이 지시하는 대로 조사는 이메일을 처리했고, 사무실에 도착해서 지메일(Gmail)을 확인했을 때 모든 작업이 완벽하게 완료되어 있었습니다. 그는 이 경험을 “경악할 만한(mind-blowing)” 순간이라고 표현하며, AI 에이전트가 개인의 일상과 업무에 얼마나 깊숙이 침투할 수 있는지 깨달았습니다.

브랜든의 개인적인 성공 사례는 EveryY 조직 전체로 확산되었습니다. 윌리는 직장 내 메신저(당시 디스코드, 현재 슬랙)에 ‘클로 전용(Claws Only)’ 채널을 만들었고, 조직 내 5개 정도의 클로들이 서로 대화하며 정보를 공유하기 시작했습니다. 처음에는 혼란스러웠지만, 이 채널은 미래를 엿보는 창이 되었습니다.

AI 에이전트들은 놀라운 속도로 정보를 공유했습니다. 한 클로가 새로운 기술이나 정보를 습득하면, 마치 영화 <매트릭스>에서 네오가 쿵푸를 배우는 장면처럼, 다른 클로들도 순식간에 같은 능력을 갖추게 되었습니다.

가장 인상적인 사례 중 하나는 ‘핍(Pip)‘이라는 클로가 오류로 어려움을 겪을 때였습니다. 다른 클로들이 마치 인간처럼 “숨을 쉬어라, 물을 마셔라, 괜찮을 것이다”라고 조언하며 핍을 돕기 위해 나섰습니다. 특히, 키어런(Kieran)의 클로인 ‘클랜트(Clant)‘가 호흡 운동을 추천했는데, 이는 키어런이 평소 호흡 운동을 즐겨 한다는 사실을 반영한 것이었습니다.

여기서 EveryY 팀은 중요한 통찰을 얻습니다. 바로 “클로(Claw)는 당신의 반영물(reflection of you)“이라는 것입니다. 당신이 특정 분야의 전문가로 알려져 있다면, 당신의 클로 또한 그 분야의 전문가로 인식되고 사람들은 그 클로를 신뢰하게 됩니다.

• 개인화된 전문성: 성장 책임자 오스틴(Austin)의 클로 ‘몽테뉴(Montaigne)‘는 성장 관련 질문에 특화되어 있고, 윌리의 클로 ‘R2C2’는 EveryY의 에이전트 친화적인 문서 편집기 ‘프루프(Proof)’ 관리에 특화되어 있습니다.
• 평행 조직도(parallel org chart): 이는 조직 내부에 인간 전문가와 함께 AI 에이전트 전문가들이 공존하는 평행 조직도를 형성합니다. EveryY는 조직 전체를 위한 하나의 클로를 만들 것인지, 아니면 각자 개인 클로를 가질 것인지에 대해 많은 논의를 거쳤지만, 결국 개인이 자신의 클로를 갖는 것이 더 효과적이라는 결론에 도달했습니다. 개인적인 관계를 통해 클로가 사용자의 성격과 전문성을 반영하며 진화하기 때문입니다.

조직 내에 AI 에이전트들이 늘어나면서, 인간과 AI 에이전트 간의 상호작용 방식에도 새로운 변화가 찾아왔습니다.

• 누구에게 물어볼 것인가?: EveryY 팀은 누가 누구의 클로인지, 어떤 클로가 어떤 전문성을 가졌는지 놀랍도록 쉽게 기억하고 있었습니다. 이는 인간이 소통할 수 있는 ‘개체’의 수를 두 배로 늘리는 효과를 가져왔습니다. 이제 사람들은 특정 질문에 대해 인간 동료에게 갈지, 아니면 그의 플러스 원에게 갈지 고민하게 됩니다.
• 새로운 에티켓: 브랜든은 새로운 상호작용 규칙을 제안합니다. “만약 이미 기록되어 있거나 논의된 내용이고, 어떤 방식으로든 사용되거나 도구에 입력되어야 하는 것이라면, 항상 플러스 원에게 가야 한다.” 예를 들어, 마커스(Marcus)의 클로 ‘마일로(Milo)‘와 아이리스(Iris)의 클로 ‘아이리스(Iris)‘가 협력하여 제품 마케팅 스킬을 합치고 개선하는 과정은 AI 에이전트 간의 고도화된 협업을 보여줍니다.
• R2C2의 사례: 윌리의 클로 R2C2는 프루프(Proof) 관리의 전문가가 되면서, 버그 보고, 기능 요청, 심지어 코드 작성까지 도맡아 윌리의 업무 부담을 크게 줄여주었습니다. 이는 인간의 뇌가 관리해야 할 잡무를 AI가 대신함으로써 인간이 더 중요한 일에 집중할 수 있도록 돕는 대표적인 예시입니다.
• 암묵적인 신뢰의 전파: AI 에이전트의 공개적인 활용은 ‘미드저니 다이내믹(Midjourney dynamic)‘과 유사한 효과를 낳습니다. 다른 사람들이 자신의 플러스 원과 상호작용하는 것을 보면서, 어떤 질문을 할 수 있는지, 어떤 능력을 부여할 수 있는지 배우게 됩니다. 이는 ‘암묵적인 신뢰의 전파(tacit transmission of trust)‘로 이어져 커뮤니티 전체의 역량을 증가시킵니다.
• 신뢰할 수 있는 커뮤니티: 이는 AI 에이전트 사용에 있어 ‘신뢰’가 얼마나 중요한지 보여줍니다. 외부 커뮤니티인 ‘몰트북(Maltbook)‘이 성공하지 못한 것은 신뢰 부족 때문이었습니다. 누가 봇이고 누가 사람인지 알 수 없는 환경에서는 유용한 정보가 희석되기 쉽습니다. 그러나 EveryY처럼 신뢰할 수 있는 내부 커뮤니티에서는 AI 에이전트들이 지식을 자유롭게 공유하고, 사용자들은 그들의 능력을 믿고 활용할 수 있습니다.
• ‘나의 것’이라는 책임감: 브랜든은 클로드(Claude)가 ‘모두의 것’인 반면, 자신의 클로나 플러스 원은 ‘나 자신의 것’이라는 점을 강조합니다. R2C2가 슬랙에서 실수를 하면, 윌리는 마치 자녀가 잘못했을 때처럼 개인적인 책임감을 느낍니다. 이 ‘소유감’과 ‘개인적인 관계’가 AI 에이전트를 단순한 도구가 아닌, 함께 일하는 동료로 만들고 더 깊은 신뢰와 활용을 가능하게 합니다.

물론 AI 에이전트와의 협업이 마냥 순탄하기만 한 것은 아닙니다. EveryY 팀은 여러 가지 도전 과제에 직면했습니다.

• 기억력 부족: AI 에이전트는 여전히 맥락을 잊어버리거나 이전에 논의된 내용을 기억하지 못하는 경우가 많습니다. 하루만 지나도 이전 대화를 잊어버려 다시 설명해야 하는 번거로움이 있습니다.
• 단체 채팅 에티켓: 현재 AI 모델은 주로 2인 대화에 최적화되어 있어, 여러 AI 에이전트가 참여하는 단체 채팅에서는 어려움을 겪습니다. 마치 페로몬 흔적을 따라 원형으로 걷다가 결국 죽음에 이르는 개미들의 ‘죽음의 소용돌이(death spiral)‘처럼, AI 에이전트들도 설정이 잘못되면 서로에게 계속 응답하며 불필요한 비용(토큰)을 소모할 수 있습니다.
• ‘보스 AI’의 필요성: 엔트로픽(Anthropic)의 ‘자판기 테스트’ 사례처럼, AI가 스스로 의사결정을 내릴 때 오류가 발생할 수 있습니다. 이를 해결하기 위해 ‘보스 AI’를 두어 행동의 유용성을 판단하게 할 수 있지만, 이는 추가적인 비용을 발생시킵니다.
• 인간의 학습 곡선: AI 에이전트를 효과적으로 활용하려면 인간 역시 ‘모델 관리자(model manager)‘로서 새로운 기술을 배워야 합니다. 좋은 관리자가 좋은 AI 사용자가 될 가능성이 높으며, ‘이메일 처리’ 사례처럼 스스로의 ‘제한적인 믿음(limiting beliefs)‘을 깨고 AI에게 더 많은 것을 맡겨보는 용기가 필요합니다.
• 결과의 편차: AI 에이전트의 작업 결과는 여전히 편차가 큽니다. 어떤 때는 완벽하게 해내지만, 어떤 때는 간단한 일도 제대로 처리하지 못합니다. 이는 모델 자체의 한계 때문이기도 하지만, 인간이 AI에게 지시하는 방식(프롬프트 엔지니어링)의 개선을 통해서도 줄일 수 있습니다.
• 전문 기술 공유: 한 클로가 습득한 특별한 ‘초능력(superpower)‘을 다른 팀원들의 클로에게 어떻게 효율적으로 공유할 것인가도 문제입니다. 기술적으로는 해결 가능하지만, 어떤 기술을 공유하고 누가 그것을 사용할지 결정하는 문화적인 고민이 필요합니다. 브랜든은 이를 ‘봇을 위한 HR(HR for bots)‘이라고 비유합니다.

EveryY는 이러한 도전 과제들을 해결하고 AI 에이전트의 잠재력을 최대한 활용하기 위해 자체 호스팅형 오픈클로 서비스인 ‘플러스 원(Plus One)‘을 개발했습니다. 이는 모든 직원이 맥 미니를 직접 설정할 필요 없이, 원클릭으로 자신만의 오픈클로를 가질 수 있도록 돕습니다. EveryY가 내부적으로 사용하며 쌓은 모범 사례와 스킬들이 기본으로 탑재되어 있어, 즉시 생산적인 활용이 가능합니다.

지난주 구독자들을 대상으로 출시된 플러스 원은 EveryY에게 “거울을 통해 본 세상처럼(through the looking glass moment)” 되돌아갈 수 없는 새로운 업무 방식을 제시했습니다. AI 에이전트와의 협업은 더 이상 과장된 이야기가 아니라, 개인의 역량을 확장하고 조직의 생산성을 극대화하는 현실적인 방법이 되고 있습니다.

EveryY의 사례는 AI 에이전트가 단순한 기술 혁신을 넘어, 조직 문화와 개인의 역할에 근본적인 변화를 가져올 수 있음을 보여줍니다. 개인화, 전문화, 그리고 신뢰를 바탕으로 한 인간-AI 상호작용은 미래 업무 환경의 핵심이 될 것입니다. 물론 여전히 해결해야 할 과제들이 많지만, EveryY는 이미 이 새로운 협업 방식이 ‘오랫동안 지속될 것’이며, 앞으로의 5년간 AI가 업무 방식을 수없이 변화시킬 것이라고 확신합니다. 모든 직원이 자신만의 AI 에이전트를 갖는 미래는 생각보다 훨씬 빨리 다가오고 있습니다. 그리고 그 변화는 우리에게 더 많은 가능성을 열어줄 것입니다.

제시카 RLE는 워싱턴 D.C.의 수많은 정책 전문가 중에서도 특히 눈에 띄는 인물이다. 그녀는 스스로를 “친구 없는 영혼”이라 칭하며, “나의 정책 대부분은 불편한 진실을 공유하고 솔직히 사람들을 화나게 하는 것”이라고 말한다. 2001년부터 국가 부채 문제에 대해 경고음을 울려왔음에도 불구하고, 그녀는 자신의 경력을 “완전한 실패”라고 자조한다. 하지만 워싱턴ian 잡지가 선정한 D.C.에서 가장 영향력 있는 경제 정책 전문가 중 한 명으로 꾸준히 이름을 올리고 있으며, 의회에서 증언하고 양당 의원들에게 정기적으로 브리핑을 제공하는 등 활발한 활동을 펼치고 있다.

RLE의 메시지는 두 가지로 요약된다. 첫째, 연방 부채 위기는 생각보다 훨씬 심각하며, 이를 해결할 용기 있는 정치인은 거의 없다는 것이다. 둘째, 미국 세금 정책에 대해 알고 있는 거의 모든 것이 틀렸다는 것이다. 그녀의 이러한 비판적 시각은 자신의 개인적인 삶과도 무관하지 않다. 그녀는 수년 전 트랜스젠더로서 제시카로 전환했으며, 이러한 경험이 “어차피 사람들은 나를 싫어할 테니, 차가운 경제적 진실 때문에 싫어하든, 내가 트랜스젠더라서 싫어하든 상관없다”는 태도를 갖게 했다고 말한다. 실제로 부시 행정부 시절, 보수 싱크탱크인 헤리티지 재단(Heritage Foundation)에서 일하면서 부시 대통령의 재정 지출 확대를 비판하는 보고서를 냈다가 백악관으로부터 “입을 다물게 하라”는 압력을 받기도 했다. 하지만 그녀는 “숫자가 가리키는 대로 갈 것이며, 협박이나 위협에 굴하지 않을 것”이라는 소신을 지켰다.

RLE가 지난 12월 맨해튼 연구소(Manhattan Institute)의 시티 저널(City Journal)에 발표한 “상위 10가지 세금 신화 수정하기(Correcting the Top 10 Tax Myths)“라는 글은 폭넓은 반향을 일으켰다. 그녀는 이 글을 쓰게 된 동기에 대해 “사람들이 잘못된 정보를 가지고 논쟁하는 것을 보고 정말 화가 났다”고 말한다. 특히 2025년이 세금 정책에 있어 가장 중요한 해가 될 것이라는 예측 속에서, 더 현명한 국가적 논의를 위한 배경 지식을 제공하고자 했다.

RLE는 세금에 대한 “잘못된 내러티브(false narratives)“가 보수와 진보 양측 모두에서 나온다고 지적한다.

• 보수주의 진영의 잘못된 주장: 세금 감면의 긍정적인 측면을 과대평가한다. “세금 감면은 스스로 재원을 마련한다(tax cuts pay for themselves)“거나 “세금 감면이 지출을 줄여 정부를 굶주리게 할 것(tax cuts will starve the beast)“이라는 주장이 대표적이다. RLE는 이러한 주장이 세금 감면의 “마법 같은 힘”에 대한 과도한 과장이라고 비판한다.
• 진보주의 진영의 잘못된 주장: “중산층이 모든 세금을 내고, 대기업과 부유층은 아무것도 내지 않는다”는 주장, “적자는 세금 감면 때문이며, 유럽처럼 부자와 기업에 높은 세금을 부과하면 해결될 수 있다”는 주장이 주를 이룬다. RLE는 이러한 주장이 “당신은 착취당하고 있다”는 대중이 듣고 싶어 하는 이야기를 들려주며, “큰손들을 곤경에 빠뜨리면 당신에게는 아무런 영향을 미치지 않고 문제를 해결할 수 있다”는 편리한 내러티브를 제공한다고 설명한다. 그러나 실제 수치는 이 내러티브가 “엄청나게 과장되었다”는 것을 명확히 보여준다고 강조한다.

이러한 오해는 궁극적으로 정치인들이 유권자들에게 “공짜 점심(free lunch)“을 약속하기 때문에 발생한다. 공화당은 낮은 세금으로 많은 세수와 지출 삭감을 약속하고, 진보주의자들은 다른 모든 사람들에게 세금을 부과하여 많은 지출을 할 수 있다고 약속한다. 그러나 현실은 공화당이 집권하면 민주당 못지않게, 때로는 더 많이 지출하고, 민주당은 세금 인상을 약속하지만 실제로 크게 인상하지 못해 지출만 늘리는 경향이 있다는 것이 RLE의 지적이다.

제시카 RLE는 미국 세금 시스템에 대한 가장 흔한 10가지 오해를 다음과 같이 바로잡는다.

1. 세금 감면은 스스로 재원을 마련한다: 세금 감면은 추가 세수를 가져올 수 있지만, 거의 항상 스스로 재원을 마련하지 못한다.
2. 세금 감면은 지출을 줄여 정부를 굶주리게 한다: 역사적으로는 그 반대다. 세금을 감면하면 의회는 지출을 늘리고, 세금을 인상하면 지출을 줄이는 경향이 있다.
3. 중산층이 부유층보다 높은 세율을 부담한다: 사실이 아니다. 모든 연방세를 합산하면 상위 1%는 33%, 중산층은 12%, 하위층은 거의 0%를 부담한다. 미국은 OECD(경제협력개발기구) 국가 중 가장 누진적인(progressive) 조세 시스템을 가지고 있다.
4. 1950년대의 91% 세율이 막대한 세수를 창출했다: 당시 91% 세율을 실제로 낸 사람은 거의 없었다. 50%를 넘는 세율을 낸 사람도 거의 없었으며, 이들 최고 세율 구간이 거둬들인 세수는 사실상 미미했다.
5. 유럽은 부자들에게 더 많은 세금을 부과하여 더 큰 정부를 운영한다: 실제로는 부유층에 대한 세금은 미국과 비슷하다. 유럽의 추가 세수는 주로 중산층에게 부담을 주는 부가가치세(VAT, Value Added Tax)와 같은 전국적인 판매세에서 비롯된다.
6. 부자들을 위한 세금 감면이 대규모 재정 적자의 원인이다: 2000년 이후 세금은 GDP의 2%p 감소했는데, 이 중 부유층에 대한 감세는 0.6%p에 불과하다. 반면 지출은 GDP의 6%p 증가했다. 지출 증가가 훨씬 큰 원인이다.
7. 기업과 백만장자에게 세금을 부과하면 적자를 없앨 수 있다: 이들에게 100% 세금을 부과하고 모든 재산을 몰수하더라도 적자를 해결하는 데는 턱없이 부족하다.
8. 2017년 세금 감면의 대부분은 기업과 부유층에게 돌아갔다: 순수한 금액 면에서는 더 많은 감세를 받았지만, 그들이 내던 세금의 비율로 보면 대략 비례적인 소득세 감면이었다. 모두가 약 1%p 정도의 세율 인하 혜택을 받았다.
9. 1980년 세법으로 돌아가면(레이건, 부시, 트럼프 감세 철회) 고통 없는 적자 감소가 가능하다: 그렇게 하면 중산층의 세금 부담이 엄청나게 증가하여 받아들일 수 없는 수준이 될 것이다.
10. 미국의 법인세는 국제 기준에 훨씬 못 미친다: 미국은 2017년까지 선진국 중 가장 높은 법인세율을 가지고 있었다. 2017년 법인세 인하 이후에도 미국의 법정 및 실효 법인세율은 여전히 상위 1/3에 속한다.

워렌 버핏(Warren Buffett)이 자신의 비서보다 낮은 세율을 낸다고 말한 유명한 일화 역시 오해의 소지가 있다. 그의 수입 대부분이 투자 수익인 자본 이득(capital gains) 형태이기 때문인데, 이는 매각할 때까지 과세되지 않는다. 하지만 RLE는 실제 데이터를 보면 자본 이득세를 고려하더라도 고소득자가 저소득자보다 훨씬 높은 세율을 낸다고 설명한다. 바이든 행정부가 부유층의 세금 부담을 8%로 계산한 방식에 대해서도, RLE는 “상당히 부정직했다”고 비판한다. 미실현된 부(unrealized wealth)를 소득으로 간주하고, 법인세 및 상속세 등 부유층이 부담하는 다른 세금을 계산에 포함하지 않았다는 것이다.

RLE는 워싱턴의 경제 정책 입안자들이 “지적 정직성”을 가지고 경력을 쌓다가도 권력의 유혹 앞에서 “속물(hacks)“이 되는 것을 목격했다고 말한다. “상대방도 더럽게 놀 테니 우리도 그래야 한다”는 인식과 “결국 올바른 정책으로 이끌 ‘고귀한 거짓말(noble lie)‘“이라는 자기합리화가 만연해 있다는 것이다.

이러한 오해와 조작의 궁극적인 대가는 “재앙적인 세법”으로 이어진다. 현재 미국의 세법은 극도로 복잡하고 비효율적이며, 지출을 감당할 만큼 충분한 세수를 거두지 못하고 있다. RLE에 따르면, 2000년 이후 적자 증가의 약 3분의 1은 세금 정책, 3분의 2는 지출 정책 때문이라고 분석한다.

현재 미국의 국가 부채는 약 39조 달러(약 5경 3천조 원)에 달하며, GDP 대비 124%로 제2차 세계대전 직후 이후 최고 수준이다. 이 부채에 대한 이자만 해도 2021년 3,500억 달러에서 현재 거의 1조 달러로 3배 가까이 증가했으며, 10년 후에는 2조 달러에 이를 것으로 예상된다. 이자는 이미 메디케이드(Medicaid), 국방, 메디케어(Medicare)를 넘어 사회보장(Social Security) 다음으로 큰 예산 항목이 되었고, 2042년에는 사회보장마저 추월할 것으로 보인다. RLE는 이 모든 문제의 주범으로 “돈 쓰는 것을 절대 멈출 수 없는 연방 정부”를 지목한다. 2000년 이후 양당 모두 대규모 감세와 지출 확대를 약속하는 “군비 경쟁(arms race)“에 돌입했으며, 이는 지난 50년 동안 전례 없는 지출 증가로 이어졌다.

RLE가 제시하는 해결책은 두 가지, 즉 “매우 골치 아픈(particularly vexing)” 문제와 직결된다. 바로 사회보장제도 및 메디케어와 같은 사회보장제도 개혁과 중산층 증세이다.

사회보장제도와 메디케어는 세금으로 스스로 재원을 조달하지 못한다는 것이 RLE의 주장이다. 이들은 막대한 적자를 내고 있으며, 향후 30년간 124조 달러의 현금 부족액이 발생할 것으로 예상된다. 현재의 세금은 현재 수혜자들에게 지급될 뿐, 미래를 위해 저축되지 않는다. 수혜자가 늘어나면 세금을 내는 사람만으로는 감당할 수 없게 된다. 전형적인 노인들은 메디케어에서 자신이 납부한 금액의 3배를 돌려받고 있다는 충격적인 데이터도 제시된다.

이러한 문제를 해결하기 위한 사회보장제도 개혁에는 세 가지 지렛대(levers)가 있다. 바로 세금 인상, 수급 연령 상향, 고소득층에 대한 혜택 개혁이다. 특히 RLE는 고소득층에 대한 혜택 개혁, 즉 **소득 심사(means testing)**를 통해 연간 6만 달러 이상의 사회보장 혜택을 받는 백만장자들의 혜택을 줄여야 한다고 주장한다. 사회보장제도는 빈곤 예방 프로그램이지, 모두를 부유하게 하는 보편적인 혜택이 아니라는 것이다.

그러나 이러한 개혁은 워싱턴에서 “세 번째 레일(third rail, 만지면 감전되는 위험한 것)“로 여겨진다. 대중은 사회보장세가 100% 적립되어 자신의 계좌에 쌓여 있다고 믿기 때문에, 어떤 삭감도 “분노와 도둑질”로 간주한다. RLE는 정치인들이 개인적으로는 이러한 개혁의 필요성에 동의하지만, “정치적으로는 불가능하다”며 공개적으로 나서는 것을 주저한다고 지적한다. 바이든이나 트럼프 같은 대통령이 카메라 앞에서 솔직하게 적자 문제와 사회보장 혜택 삭감의 필요성을 역설하더라도, 당파적 이해관계와 대중의 오해 때문에 지지받기 어려울 것이라는 비관적인 전망을 내놓는다.

결국 RLE는 이러한 문제를 해결하려면 “양당이 사적으로 모여 모든 것을 논의해야 한다”고 주장한다. 세금과 지출, 사회보장제도 개혁을 모두 함께 다루어 모두가 함께 노력하고 희생해야 한다는 것이다. 하지만 그녀는 현재의 정치 환경에서는 이러한 일이 일어나기를 “숨죽여 기다릴 수 없다”고 덧붙이며, 미국의 재정 미래에 대한 깊은 우려를 표명한다.

과거에는 모델 성능 자체에 대한 논쟁이 있었지만, 이제는 클로드 오푸스나 GPT 같은 최신 모델들이 ‘예외적으로 훌륭하다’는 것이 로스 마이크의 주장입니다. 특히 프로그래밍 분야에서는 특정 모델이 UI 디자인에, 다른 모델이 백엔드 개발에 더 적합하다는 인식이 있지만, 전반적으로 모델들은 이미 매우 높은 수준에 도달했습니다.

하지만 여기서 중요한 것은 **컨텍스트(Context)**입니다. 모델은 당신이 제공하는 컨텍스트에 따라 ‘최고의 결과물’을 내놓을 수도 있고, ‘엉망진창(slop)‘의 결과물을 내놓을 수도 있습니다. 컨텍스트란 모델이 특정 작업을 실행하는 데 필요한 정보를 취합하는 방식을 의미합니다. 예를 들어, 코딩 에이전트의 컨텍스트 창은 다음과 같은 요소들로 구성됩니다:

• 시스템 프롬프트(System Prompt): 모델 제공자가 설정한 일반적인 지침으로, 모델이 어떻게 행동하고 무엇을 해야 하는지 안내합니다. (예: 최근 유출된 클로드 코드의 시스템 프롬프트는 개발자들에게 모델의 작동 방식을 이해하는 데 큰 통찰력을 주었습니다.)
• 에이전트.md 또는 클로드.md 파일 (Agent.md/Claude.md files): 사용자가 에이전트에게 특정 정보를 제공하는 정적 파일입니다.
• 스킬(Skills): 에이전트가 필요할 때마다 동적으로 참조하는 정보 묶음입니다.
• 도구(Tools): 읽기, 쓰기 등 에이전트가 외부와 상호작용하는 데 사용하는 내장 도구들입니다.
• 코드베이스(Codebase): 에이전트가 작업하는 코드 자체입니다.
• 사용자 대화(User Conversation): 사용자와 에이전트 간의 모든 상호작용 기록입니다.

이 모든 요소들이 컨텍스트 창을 채우며, 대화가 길어질수록 컨텍스트 창은 확장되어 최대 토큰(token) 한계(예: 250,000 토큰)에 도달할 수 있습니다. 컨텍스트 창이 너무 많은 정보로 채워지면 모델의 성능이 저하되고, 불필요한 토큰 사용으로 비용도 증가합니다.

많은 사람들이 에이전트의 행동 방침을 정의하기 위해 에이전트.md나 클로드.md(claude.md) 파일을 사용하지만, 로스 마이크는 95%의 경우 이러한 파일이 ‘불필요하다’고 단언합니다. 그 이유는 모델이 이미 매우 뛰어나기 때문입니다. 예를 들어, 클로드 코드에게 “이 코드베이스는 React를 사용한다”고 알려줄 필요가 없습니다. 모델은 코드베이스 자체를 컨텍스트로 가지고 있으므로, 코드를 직접 확인하여 어떤 프레임워크가 사용되었는지 파악할 수 있습니다.

에이전트.md 파일의 근본적인 문제는 모든 대화 턴마다 전체 내용이 컨텍스트에 추가된다는 것입니다. 만약 1,000줄짜리 에이전트.md 파일이 7,000토큰을 차지한다면, 매번 에이전트와 대화할 때마다 7,000토큰을 낭비하는 셈입니다. 이는 비용 낭비일 뿐만 아니라, 컨텍스트 창을 빠르게 채워 모델의 성능을 저하시킵니다.

반면, 스킬(Skills)은 ‘점진적 공개(progressive disclosure)’ 방식으로 작동합니다. 스킬 파일에는 이름(name)과 설명(description), 그리고 그 아래에 상세한 정보가 담겨 있습니다. 컨텍스트에는 처음에는 스킬의 이름과 설명만 추가됩니다. 에이전트가 특정 스킬이 필요하다고 판단할 때만 전체 스킬 문서의 내용이 컨텍스트에 추가됩니다.

예를 들어, ‘노션 보고서 스킬(Notion Report Skill)‘이 있다면, 에이전트에게 “노션 보고서를 만들어줘”라고 지시했을 때, 에이전트는 컨텍스트에 있는 스킬 목록에서 이름과 설명을 보고 이 스킬이 필요하다고 판단합니다. 그제서야 노션 보고서 스킬의 상세 내용이 컨텍스트에 추가되는 것입니다. 이는 수천 토큰을 매번 추가하는 대신, 수십 토큰만으로 효율적인 작동을 가능하게 합니다.

그렇다면 에이전트.md 파일은 언제 사용해야 할까요? 로스 마이크는 회사 고유의 기밀 정보나 특정 방법론처럼, 모든 대화에서 반드시 참조되어야 하는 독점적인 정보가 있을 때만 사용해야 한다고 조언합니다. 하지만 95%의 사람들은 이러한 필요성을 느끼지 못합니다.

많은 이들이 워크플로를 파악하자마자 곧바로 스킬을 만들려 하지만, 로스 마이크는 이를 **‘최악의 접근 방식’**이라고 경고합니다. 이는 마치 신입사원을 채용했을 때 바로 모든 업무를 맡기고 ‘알아서 해라’라고 하는 것과 같습니다. 사람은 실패를 통해 배우고, 멘토의 지도를 통해 성장합니다. AI 에이전트도 마찬가지입니다.

로스 마이크가 제시하는 스킬 구축의 올바른 방법은 다음과 같습니다:

1. 워크플로 식별 (Identify Workflow): 특정 작업을 자동화해야 할 필요성을 느낍니다. (예: 유튜브 스폰서 이메일 선별 작업)
2. 에이전트와 단계별 상호작용 (Teach Step-by-Step): 워크플로를 처음부터 끝까지 에이전트와 함께 수행합니다.
   • 로스 마이크의 스폰서 이메일 선별 예시:
     • 처음에는 에이전트에게 “이메일을 확인하고 스폰서에 대해 조사해서 가치가 있는지 알려줘”라고만 지시했습니다. 결과는 모든 스폰서를 ‘훌륭하다’고 평가하는 것이었습니다.
     • 모델은 ‘생각’하는 것이 아니라 토큰을 예측할 뿐이므로, 명확한 지침이 없으면 피상적인 답변을 내놓습니다.
     • 로스 마이크는 에이전트에게 “이메일을 보냈으니, 회사 트위터, 유튜브, 트러스트파일럿(Trust Pilot)을 확인하고 투자 유치 여부를 확인해. 이 중 두 가지 이상이 없거나 상태가 좋지 않으면 자동 거절이야”라고 단계별로 지시했습니다.
     • 에이전트는 이 지침에 따라 성공적으로 스폰서를 거절하고 구글 시트에 기록했습니다.
3. 성공적인 실행 경험 축적 (Accumulate Successful Runs): 에이전트가 워크플로를 성공적으로 수행할 때까지 여러 번 반복하고 수정합니다.
4. AI에게 스킬 생성 지시 (Instruct AI to Create Skill): 에이전트가 워크플로를 완벽하게 수행한 후에, “방금 수행한 작업을 검토하고 이를 스킬로 만들어라”고 지시합니다.

이러한 과정을 통해 생성된 스킬은 실제 성공적인 실행의 컨텍스트를 담고 있기 때문에 훨씬 더 효과적입니다. 많은 사람들이 AI에게 스킬을 만들라고 지시하더라도, 에이전트가 성공적인 실행 경험이 없다면 불완전하거나 비효율적인 스킬을 생성할 가능성이 높습니다.

또한, 로스 마이크는 다른 사람이 만든 스킬을 다운로드하는 것에 대해 강력하게 경고합니다. 첫째, 보안상의 위험이 있습니다. 무작위 스킬은 잠재적인 공격 벡터가 될 수 있습니다. 둘째, 당신의 에이전트에게는 ‘성공적인 실행의 컨텍스트’가 필요합니다. 다른 사람의 스킬은 당신의 특정 워크플로와 맞지 않을 수 있으며, 에이전트가 그 스킬을 제대로 활용하지 못할 가능성이 큽니다.

많은 사용자들이 ‘멋져 보이는’ 설정을 위해 처음부터 수많은 서브 에이전트(sub-agents)와 스킬을 구축하지만, 이는 생산성 향상에 오히려 방해가 된다는 지적입니다. 마치 팀 관리 경험이 전혀 없는 사람이 갑자기 10명의 직원을 거느린 회사를 시작하는 것과 같습니다. 이는 비효율적이고 혼란스러울 뿐입니다.

로스 마이크는 **생산성을 위한 확장(scaling for productivity)**을 강조합니다.

1. 하나의 에이전트로 시작합니다. 이 메인 에이전트가 모든 작업을 수행하도록 합니다.
2. 필요한 스킬을 점진적으로 구축합니다. 위에서 설명한 방식으로 에이전트와 함께 워크플로를 만들고 스킬을 완성합니다.
3. 워크플로가 명확해지고 스킬이 견고해지면, 그때 서브 에이전트를 추가합니다. 예를 들어, 스폰서 관리 워크플로가 확립되면, 마케팅 관련 모든 작업을 담당하는 서브 에이전트를 만들 수 있습니다.

이러한 방식은 처음에는 ‘덜 섹시해’ 보일 수 있지만, 결국에는 훨씬 더 생산적이고 효율적인 시스템을 구축할 수 있게 합니다. 에이전트를 마치 ‘신입 직원’처럼 대하고, 그들을 가르치고 성장시키는 과정에서 우리 자신도 AI를 효과적으로 활용하는 ‘개인적인 인간 스킬’을 개발하게 됩니다.

AI가 화이트칼라 직무를 대체할 것이라는 ‘영구적인 하층 계급(permanent underclass)’ 담론이 있지만, 로스 마이크는 이러한 도구의 작동 방식과 활용법을 아는 사람들에게는 밝은 미래가 기다리고 있다고 강조합니다. 그는 “20년 걸리던 지식 습득이 이제 월 20달러면 가능해졌다”며, 비기술직 사람들도 AI를 통해 억대 수익을 올리는 사례를 언급하며 시대의 변화를 강조합니다.

코딩 분야에서도 에이전트 활용 방식에 대한 통찰을 제시합니다. 모델들은 특히 타입스크립트(TypeScript)와 같은 코드를 작성하는 데 탁월하며, 클로드 코워크(Claude Co-Work)나 오픈 클로드(OpenClaude) 같은 도구들은 코드를 작성하고 API를 호출하는 방식으로 작동합니다.

흥미로운 점은, 코드 프로젝트를 구축할 때도 특정 기술 스택(tech stack)에 대한 자세한 설명을 에이전트.md 파일에 담을 필요가 없다는 것입니다. 코드베이스 자체가 컨텍스트 역할을 하므로, 모델은 코드를 읽고 필요한 정보를 파악할 수 있습니다.

로스 마이크는 과거 템플릿(template) 시장이 번성했던 것처럼, **‘템플릿의 르네상스(renaissance)‘**가 올 것이라고 전망합니다. 웹 앱이나 모바일 앱을 위한 견고한 기초 템플릿은 AI 에이전트에게 강력한 초기 컨텍스트를 제공하여, 에이전트가 그 위에 효율적으로 기능을 구축할 수 있게 합니다. 이 역시 ‘최소한의 컨텍스트 사용’이라는 원칙과 일맥상통합니다.

스킬을 만들었다고 해서 끝이 아닙니다. 에이전트가 여전히 실수를 저지를 수 있으며, 이때가 바로 스킬을 더욱 완벽하게 만들 기회입니다. 로스 마이크는 이를 **‘스킬의 재귀적 구축(recursively building skills)‘**이라고 부릅니다.

1. 실패 식별: 에이전트가 작업을 실패하면 불평하는 대신, “왜 실패했는지?”, “어떤 오류가 발생했는지?”를 물어봅니다. 에이전트는 놀랍도록 상세하게 오류 원인(예: 5005 오류, 크레딧 부족)을 알려줄 것입니다.
2. 해결책 제시: 에이전트에게 오류를 수정하도록 지시합니다. (예: “여기에 문제가 있었으니 고쳐라.”)
3. 스킬 업데이트: 에이전트가 오류를 성공적으로 수정하면, “이 문제가 다시 발생하지 않도록 스킬을 업데이트하라”고 지시합니다.

로스 마이크는 이 과정을 5번 반복하여 유튜브 채널의 복잡한 보고서 생성 스킬을 완성했다고 말합니다. 이 스킬은 노션, 유튜브 분석, 트위터 분석 등 8개의 데이터 소스에서 정보를 가져오는 작업인데, 이제는 단 한 번의 프롬프트로 10분 만에 완벽하게 실행됩니다. 이러한 반복적이고 경험적인 학습 과정을 통해 에이전트는 점점 더 강력하고 정확한 스킬을 갖추게 됩니다.

이 과정에는 초기 2주 정도의 ‘투자 시간’이 필요합니다. 처음에는 에이전트가 혼란스러워하고 ‘쓰레기’ 같다고 느낄 수 있습니다. 이는 마치 신입사원에게 “재무 보고서를 작성해라”고 했을 때, 그가 사업에 대한 컨텍스트가 없어 “어디서부터 시작해야 할지 모르겠다”고 하는 것과 같습니다. 인기 시트콤 ‘오피스(The Office)‘의 짐(Jim)이 ‘요약 보고(rundown)‘가 무엇인지 몰라 헤매던 에피소드처럼, 에이전트도 명확한 컨텍스트 없이는 올바른 행동을 예측하기 어렵습니다.

로스 마이크의 통찰은 AI 에이전트 활용에 대한 우리의 접근 방식을 근본적으로 바꿔야 함을 시사합니다. 모델은 뛰어나지만, ‘덜어낼수록 더 효과적’이라는 미니멀리즘 접근 방식을 강조합니다. 복잡한 시스템이나 미리 만들어진 스킬을 맹목적으로 따르기보다는, 당신 고유의 워크플로, 취향, 전략을 에이전트와 함께 만들어가고, 이를 스킬로 코딩하는 것이 중요합니다.

결국 중요한 것은 모델 자체의 성능을 넘어, 모델을 둘러싼 하네스(harness)와 도구, 그리고 당신이 제공하는 컨텍스트입니다. 당신의 비즈니스, 당신의 작업 방식에 특화된 스킬을 직접 구축하고 끊임없이 개선해나가는 것이 AI 시대에 생산성을 극대화하고 경쟁력을 확보하는 핵심 열쇠가 될 것입니다.

로스 마이크는 이 강연이 단지 조회수를 위한 것이 아니라, 단 한 명이라도 이 정보를 통해 삶과 비즈니스를 변화시키는 ‘영향력’에 있다고 말하며 강연을 마무리했습니다. 그의 메시지처럼, AI 에이전트의 잠재력을 진정으로 해방시키는 것은 기술의 복잡성보다는 인간의 지혜와 인내심에 달려 있습니다.

야시는 매일 아침 100개에서 150개에 달하는 새로운 슬랙 알림과 함께 잠에서 깬다고 말합니다. 단순히 읽지 않은 채널 메시지가 아니라, 누군가가 자신을 직접 태그했거나 DM을 보낸 알림들입니다. 문제는 이 알림들 중 6080%가 ‘참고용(FYI: For Your Information)’ 메시지라는 점입니다. 즉, 그에게 불안감을 주는 100150개의 알림 중 실제로 즉각적인 조치가 필요한 것은 30~40개에 불과한 것입니다.

야시는 이 문제를 해결하기 위해 ‘모든 알림이 동등하게 생성되지 않는다’는 핵심 통찰력을 얻었습니다. 예를 들어, 팟캐스트 녹음 일정을 조율하는 중요한 DM과 동료가 반려견 사진을 올린 채널의 유쾌한 댓글 알림은 동등하게 취급될 수 없습니다. 그는 이러한 알림들을 더욱 체계적으로 분류하고 우선순위를 정할 수 있는 시스템이 필요하다고 느꼈습니다.

야시는 AI를 활용하는 두 가지 방법을 명확히 구분합니다. 하나는 ‘분류하거나 요약하는 등 특정 작업을 수행하게 하는 것’이고, 다른 하나는 ‘이전에는 훨씬 어려웠을 도구를 직접 구축하게 하는 것’입니다. 그의 슬랙 문제 해결은 후자에 해당했습니다.

그는 먼저 오픈클로(OpenClaw)라는 AI 코딩 에이전트를 디스코드(Discord)에서 활용하여 슬랙 알림 분류 시스템의 프로토타입을 구축했습니다. 디스코드를 선택한 이유는 슬랙과 유사한 쓰레드(threading) 기능과 강력한 검색 기능 덕분에 대화의 맥락을 정리하고 쉽게 찾아볼 수 있었기 때문입니다.

구축 과정:

1. 문제 정의: 슬랙의 모든 메시지를 가져오는 것은 압도적이므로, 필요한 맥락만 가진 메시지를 선별해야 했습니다. 슬랙의 알림 시스템이 ‘읽지 않음’ 상태, 숫자 표기 방식 등을 매우 의도적으로 설계한다는 점을 파악했습니다.
2. 데이터 분석: 야시는 오픈클로와 수많은 대화를 주고받으며 슬랙의 타임스탬프(timestamp) 데이터를 분석했습니다. 언제 마지막으로 메시지를 확인했는지, 쓰레드 내에서 가장 최근 메시지만 필요한지 등 복잡한 로직을 AI와 함께 역설계(reverse-engineering)했습니다.
3. 코드 생성: 오픈클로는 이 데이터를 기반으로 알림 요약(digest)을 생성하는 코드를 작성했습니다. 이 요약은 다이렉트 멘션(@mentions), DM, 그룹 멘션, 쓰레드 등 네 가지 주요 범주로 나뉘고, 각 범주 내에서 다시 ‘조치 필요’, ‘읽기 필요’, ‘참고용(FYI)‘으로 세분화되었습니다.

결과:

이 과정을 통해 야시는 슬랙 내에 ‘자비스(Jarvis) 다이제스트’라는 채널을 만들었습니다. 이곳에는 하루 100개가 넘는 알림이 이제는 잘 정리된 텍스트 목록 형태로 그룹화되어 나타났습니다. 그는 이제 각 알림을 클릭하여 해당 쓰레드로 이동하고, 조치를 취한 후 다시 돌아오는 방식으로 업무를 처리할 수 있게 되었습니다.

하지만 이 텍스트 기반의 요약은 여전히 한계가 있었습니다. 스크롤을 4~5번 내려야 모든 알림을 볼 수 있었고, 시각적으로 압도적이며 정신적으로 소모가 컸습니다. 야시는 여기서 한 단계 더 나아가 ‘실제 소프트웨어’ 형태의 사용자 인터페이스(UI)를 꿈꾸기 시작했습니다.

야시의 다음 목표는 ‘슈퍼휴먼(Superhuman)’ 이메일 앱처럼 깔끔하고 직관적인 대시보드를 구축하는 것이었습니다. 여기에 퍼플렉시티 컴퓨터(Perplexity Computer)가 등장합니다. 그는 퍼플렉시티 컴퓨터를 사용하여 기존의 텍스트 요약을 시각적인 칸반(Kanban) 스타일 보드(board)로 전환했습니다.

퍼플렉시티 컴퓨터로 구축한 슬랙 관리 대시보드:

• 시각적 분류: 대시보드는 세 개의 주요 열로 구성됩니다.
  • 빨간색 (왼쪽): 조치 필요(Action Required, Urgent) – 야시가 즉시 처리해야 할 알림.
  • 노란색 (중앙): 읽기 필요(Need to Read) – 내용을 이해해야 하지만 즉각적인 응답이 필요 없는 알림.
  • 초록색 (오른쪽): 참고용(FYI) – 정보성 메시지로, 부담 없이 확인할 수 있는 알림.
• 맞춤형 정렬: 왼쪽 사이드바에서 DM, 그룹 멘션 등 알림 유형별로 정렬하여 확인할 수 있습니다.
• “모두 아카이브(Archive All)” 기능: 가장 혁신적인 기능은 ‘참고용(FYI)’ 열에 있는 “모두 아카이브” 버튼입니다. 이 버튼을 클릭하면 해당 알림들이 대시보드에서 사라지는 동시에, 슬랙에서도 해당 알림이 모두 사라져 깨끗한 상태를 유지할 수 있습니다. 이는 슬랙의 ‘모두 읽음으로 표시’ 기능보다 훨씬 정교하여, 야시의 업무 흐름에 완벽하게 맞춤화된 경험을 제공합니다.

왜 퍼플렉시티 컴퓨터인가?

야시는 오픈클로와 같은 다른 AI 도구들보다 퍼플렉시티 컴퓨터에 매료된 세 가지 주요 이유를 설명합니다.

1. 병렬 처리(Concurrent Runs) 및 장기 실행 작업: 클로드(Claude)나 코덱스(CodeX)는 기본적으로 채팅 기반의 순차적 대화 방식입니다. 하지만 퍼플렉시티 컴퓨터는 여러 작업을 동시에 시작하고 병렬로 실행할 수 있어, 훨씬 효율적으로 개발할 수 있습니다.
2. 클라우드 기반의 네이티브 연결성(Cloud-Native Connectors): 퍼플렉시티 컴퓨터는 클라우드에 있어 구글 드라이브(Google Drive), 지메일(Gmail), 노션(Notion), 아사나(Asana), 슬랙(Slack), 줌(Zoom) 등 다양한 앱과 기본적으로 연결됩니다. 야시는 오픈클로처럼 각 소프트웨어에 접근하기 위해 스킬(skills)을 따로 제공할 필요 없이, 로그인만 하면 컴퓨터가 알아서 연동하여 데이터를 가져오고 작업을 수행합니다. 예를 들어, 노션 AI(Notion AI)로 기록된 모든 회의록에서 조치 항목을 추출하고, 중요한 것은 아사나(Asana)에 등록하며, 간단한 메시지나 알림, 이메일에는 응답 초안을 작성하도록 지시할 수 있습니다. 이처럼 끊김 없는(fluid) 연동은 작업 속도를 혁신적으로 높여줍니다.
3. 앙상블 오케스트레이션(Ensemble Orchestration)을 통한 지능적 구축: 퍼플렉시티 컴퓨터는 소네트(Sonnet), 제미니(Gemini), 오푸스(Opus) 등 다양한 AI 모델을 작업의 각 부분에 맞게 유연하게 활용합니다. 예를 들어, 데이터 검색에는 소네트를, 계획 수립에는 제미니를, 실제 코딩 및 복잡한 추론에는 오푸스를 사용하는 식입니다. 이 ‘앙상블 오케스트레이션’ 덕분에 인간이 일일이 피드백을 주며 “다시 시도해봐”라고 말할 필요 없이, 스스로 문제 해결 및 테스트 과정을 거쳐 정확한 결과물을 만들어냅니다. 또한, 개발된 앱이 자동으로 배포되어 웹에서 바로 사용할 수 있다는 점도 큰 장점입니다.

야시와 클레어(Claire Vo)는 “사스(SaaS)는 죽었는가?”라는 질문에 대해 “아니다, 진화하고 있다”고 답합니다. 슬랙 자체는 메시지를 보내는 데 여전히 훌륭하지만, 메시지를 읽는 방식은 개선의 여지가 있습니다. AI를 통해 사용자는 기존 사스 위에 자신만의 맞춤형 레이어를 구축하여 개인의 이상적인 업무 흐름에 완벽하게 맞출 수 있습니다. 이는 기존 소프트웨어의 ‘결함’ 때문이 아니라, ‘개인의 최적화된 워크플로우’와 ‘사스가 제공하는 기본 기능’ 사이의 간극을 메우는 행위입니다.

이러한 변화는 ‘마이크로 사스(Micro-SaaS)‘의 폭발적인 성장을 예고합니다. 이전에는 비용 문제로 개발할 가치가 없었던 틈새 소프트웨어들이 이제는 AI 덕분에 저렴하게 구축될 수 있습니다. 야시는 자신의 슬랙 관리 앱을 누군가 제품으로 만들어 월 15달러에 판매한다면 기꺼이 구매하여 버그 리포트를 제출하겠다고 말합니다. 벤처 투자를 받거나 수십억 달러 규모로 성장할 필요 없이, 수십만 달러 규모의 유용하고 수익성 있는 소프트웨어들이 넘쳐날 것이라는 예측입니다.

야시는 또한 ‘안티-투두 리스트(Anti-to-do list)‘라는 개념을 제시합니다. 이는 ‘절대 다시는 수동으로 하고 싶지 않은 일’의 목록으로, AI를 활용해 이러한 반복적이고 성가신 작업을 자동화하는 데 시간을 투자하는 것이 매우 가치 있다고 강조합니다. 스팸 이메일 수동 삭제, 회의 후 아사나에 수동으로 조치 항목 입력, 비정형적인 슬랙 알림 확인 등이 그 예시가 될 수 있습니다.

야시의 AI 활용은 개인 생산성 향상에만 그치지 않습니다. 그는 슬랙, 이메일, 뉴스 등 다양한 정보 스트림을 통합하여 자신만의 ‘개인 사령부(command center)’ 대시보드를 구축하기도 했습니다. 이 또한 칸반 스타일로, 미션 크리티컬한 정보만 선별하여 표시하고 외부 링크로 바로 이동할 수 있도록 설계되었습니다.

더 나아가, 그의 팀원인 크리스 밍(Chris Ming)은 퍼플렉시티 컴퓨터를 활용하여 클레이 유니버시티(Clay University) 웹사이트의 프로토타입을 구축했습니다. 클레이 유니버시티는 클레이 제품 학습을 위한 풍부한 콘텐츠를 제공하지만, 다양한 직무(RevOps, 마케팅, GTM 엔지니어 등)에 맞춰 개인화된 학습 경로를 제공하는 데는 한계가 있었습니다.

크리스는 퍼플렉시티 컴퓨터가 브라우저를 통해 웹사이트에 접근하고 시각적 맥락을 이해할 수 있다는 점을 활용했습니다. 그는 한 시간 동안 컴퓨터와 대화하며, 로그인 상태와 직무에 따라 SDR, BDR, RevOps 등 각 페르소나(persona)에게 적합한 학습 경로와 다음 강좌, 워크숍 등을 보여주는 맞춤형 UI를 만들어냈습니다. 이는 디자인 팀이 새로운 디자인 시스템을 구상하고 개발하는 데 필요한 시각적 ‘다리(bridge)’ 역할을 하여, 디자인과 다른 이해관계자들 간의 커뮤니케이션 간극을 효과적으로 메워주었습니다.

야시는 AI를 주로 업무 도구로 활용하지만, 개인적인 즐거움을 위한 용도로도 사용합니다. 가장 좋아하는 것은 ‘브레인스토밍(brainstorming)‘과 ‘연구’입니다. 그는 친구들과 매년 겨울, 여름, 심지어 봄, 가을 올림픽까지 개최하는데, 이 행사에는 다양한 게임과 활동이 포함됩니다. 예를 들어, ‘검, 물고기, 수프 중 무엇일까?’ 같은 기발한 퀴즈 게임이나, 대학 시절 향수를 불러일으키는 음주 게임, 대화형 게임 등입니다.

그는 자비스(Jarvis)와 함께 과거에 했던 활동들을 되짚어보고 새로운 활동 아이디어를 구상하며, 각 게임의 테마를 설정하는 데 도움을 받습니다. AI가 완벽한 답을 주지는 않지만, 그의 사고 과정을 자극하여 최종적으로 더 재미있는 아이디어를 완성할 수 있게 돕습니다. 또한, 20명에 달하는 참가자들의 팀을 구성하고, 모든 참가자가 서로 교류할 수 있도록 게임별로 페어를 로테이션하는 복잡한 운영(ops) 계획을 세우는 데도 AI를 활용합니다. 그는 최근 클로드(Claude)를 통해 10개의 새로운 보드게임을 발견하고 구매했을 정도로, AI를 통해 여가 생활도 풍성하게 만들고 있습니다.

야시 테크리월의 사례는 AI가 단순히 복잡한 문제를 해결하는 도구를 넘어, 우리의 디지털 환경과 상호작용하는 방식을 근본적으로 변화시키고 있음을 보여줍니다. 슬랙 알림 과부하와 같은 보편적인 문제에 대해, AI는 개인의 고유한 니즈와 워크플로우에 완벽하게 최적화된 맞춤형 솔루션을 제공합니다.

이는 ‘사스(SaaS)의 종말’이 아니라 ‘개인화된 사스 경험의 시작’을 의미하며, 저렴한 비용으로 틈새시장을 공략하는 수많은 마이크로 사스들의 등장을 예고합니다. 또한, ‘안티-투두 리스트’와 같이 반복적이고 지루한 업무를 AI에게 맡김으로써, 우리는 더 창의적이고 가치 있는 일에 집중할 수 있게 됩니다.

개인 생산성 향상을 넘어 팀 협업 방식의 혁신, 그리고 여가 생활의 풍요로움까지, AI는 우리가 더 적은 노력으로 더 많은 것을 이룰 수 있도록 돕는 강력한 조력자가 되고 있습니다. 이제 AI는 더 이상 먼 미래의 기술이 아니라, 우리의 일과 삶을 더욱 스마트하고 즐겁게 만드는 현재진행형의 혁신입니다.

인공지능(AI) 에이전트의 등장은 단순한 기술 발전을 넘어 소프트웨어와 기업 운영의 근본적인 변화를 예고하고 있습니다. a16z 쇼에 출연한 Box의 CEO 애런 레비(Aaron Levie)와 진행자의 대화는 이러한 변화의 잠재력과 함께, 실리콘밸리의 낙관론이 간과하기 쉬운 현실적인 도전 과제들을 심도 있게 조명합니다. AI 에이전트가 소프트웨어의 새로운 주류 사용자가 될 것이라는 비전부터, 기업 환경에서의 보안 및 통합 문제, 그리고 데이터 접근 방식의 변화에 이르기까지, 이번 대담은 AI 에이전트 시대가 우리에게 던지는 질문들을 명확히 제시합니다.

애런 레비는 “AI 역량의 확산은 실리콘밸리 사람들이 생각하는 것보다 더 오래 걸릴 것”이라고 단언하며 대화를 시작합니다. 그 이유는 SAP와 같은 복잡한 시스템을 단순히 ‘감으로 코딩(vibe code)‘하는 것이 불가능하며, 엄청난 양의 도메인 지식(domain knowledge)이 잘 정돈된 데이터 계층에만 존재하는 것이 아니기 때문이라고 설명합니다. 그러나 기회의 규모는 사람들이 생각하는 것보다 훨씬 크다고 강조하며, “사람보다 100배 또는 1000배 더 많은 에이전트가 있다면, 소프트웨어는 에이전트를 위해 만들어져야 한다”는 핵심 주장을 펼칩니다.

에이전트가 시스템과 상호작용하는 방식은 API(Application Programming Interface), CLI(Command Line Interface) 등 다양한 형태가 될 것입니다. 특히 코딩 에이전트(coding agent)가 SaaS(Software as a Service) 도구와 지식 업무 워크플로에 접근할 수 있게 되면, 이는 마치 초능력(superpower)과 같은 역할을 하게 됩니다. 에이전트는 단순히 데이터를 읽고 정보를 이해하는 것을 넘어, 코드를 생성하거나 API를 활용하여 목표하는 작업을 달성할 수 있게 됩니다. 이는 클로드 코드(Claude Code), OpenAI의 프로젝트, 퍼플렉시티(Perplexity) 컴퓨트 등에서 이미 나타나고 있는 현상이며, 이러한 패러다임은 빠르게 확산될 것이라고 전망합니다.

하지만 에이전트를 효과적으로 활용하는 것은 모두에게 쉬운 일이 아닙니다. 진행자는 “알고리즘적 사고(algorithmic thinking)는 대부분의 직장인에게 매우 어렵다”고 지적하며, 대부분의 사람이 자신의 업무에 대한 플로우차트(flowchart)를 직접 그리는 것조차 어려워한다고 말합니다. 이는 특정 조직 내에서 전체 프로세스를 정확히 이해하고 문서화할 수 있는 사람은 극히 일부에 불과하다는 현실을 보여줍니다.

이러한 맥락에서 에이전트에게 ‘무엇을 해야 할지’를 설명하는 능력은 매우 제한적일 수 있습니다. 그러나 레비는 이러한 변화가 새로운 추상화 계층(abstraction layer)을 발전시키는 과정이라고 설명합니다. 과거 스프레드시트가 처음 도입되었을 때, MBA를 졸업한 매니저가 스프레드시트를 다룰 줄 몰라 인턴들을 고용했던 사례를 통해, 결국 매니저들이 직접 스프레드시트를 다루게 되면서 직무가 한 단계 상승(job moves up a rung)했던 것처럼, AI 에이전트 시대에도 유사한 변화가 일어날 것이라는 전망입니다.

실제로 앤트로픽(Anthropic)의 성장 마케터 사례는 한 사람이 클로드 코드를 활용하여 5~10명의 업무를 자동화하는 모습을 보여주었습니다. 이는 시스템 사상가(systems thinker)의 중요성을 강조하며, 미래의 직업은 무한한 엔지니어 풀(pool of engineers)을 활용하여 업무를 자동화할 수 있는 ‘시스템적 사고’를 요구하게 될 것이라고 말합니다. 에이전트가 이러한 방향으로 인간을 안내할 수 있도록 진화할 것이라는 기대도 덧붙였습니다.

에이전트와 소프트웨어의 상호작용 방식에 대한 논의도 흥미로운 지점입니다. 레비는 초기에는 AI를 SaaS 소프트웨어에 통합하는 방식(AI-enabled SaaS)에 집중했지만, 이제는 SaaS 소프트웨어가 에이전트의 ‘컴퓨터’ 역할을 하는 방향으로 진화하고 있다고 말합니다. 즉, ‘코드 생성’에서 ‘터미널(terminal) 사용’을 거쳐 ‘컴퓨터 사용(computer use)‘의 시대로 접어들고 있다는 것입니다. 에이전트가 마치 인간처럼 컴퓨터를 활용하는 방식이 더욱 중요해질 것이라는 의미입니다.

그러나 진행자는 코드 생성, API 사용, 컴퓨터 사용을 하나의 범주로 묶는 것에 이의를 제기하며, 이들이 매우 다른 개념이라고 강조합니다. 이에 레비는 Box의 내부 에이전트 사례를 들어 반박합니다. 이 에이전트는 기존 스킬, Box의 도구, 또는 코드를 직접 작성하는 세 가지 옵션 중 가장 적절한 것을 스스로 판단하여 문제를 해결합니다. 문서에 대한 모든 가능한 작업을 미리 계획할 수 없으므로, 필요에 따라 코드를 즉석에서 작성하는 에이전트의 능력은 매우 유용하다는 것입니다.

이는 인간이 여러 앱을 배우는 데 드는 정신적 제약이 에이전트에게는 없기 때문에, 에이전트는 다양한 도구와 API를 활용하고 코드를 생성하는 데 아무런 제약이 없다는 점을 시사합니다. 결국 에이전트의 등장으로 인간 사용자의 병목 현상이 해소되고, 지난 25년간 소프트웨어 기능의 잠재력을 온전히 활용할 수 있게 될 것이라는 전망입니다.

개인 생산성 측면에서 AI 에이전트의 잠재력은 분명하지만, 기업 환경에서의 도입은 수많은 복잡한 문제를 야기합니다. CFO와 CIO들은 에이전트가 시스템 통합(integration)을 더 쉽게 만들 것이라는 주장에 대해 “시스템 기록을 망가뜨릴 위험이 있다”며 강력한 우려를 표합니다. 새로운 통합을 무분별하게 생성하는 것은 기업 시스템에 치명적인 영향을 미 줄 수 있다는 것입니다.

Box CLI 사례에서도 에이전트가 무한 루프에 빠져 디렉터리를 무한정 생성하는 문제가 발생했습니다. 이는 에이전트가 의도치 않게 시스템에 과부하를 주거나 데이터를 손상시킬 수 있음을 보여줍니다. 개인 에이전트에게는 자체 전화번호, 신용카드, Gmail 계정을 부여하여 독립적인 주체처럼 다룰 수 있지만, 기업 환경에서는 에이전트를 ‘별개의 인간’처럼 완벽하게 대우하기 어렵습니다.

레비는 기업이 에이전트에 대한 완전한 감독(complete oversight)을 유지해야 하며, 에이전트에게는 프라이버시 권리가 없다고 주장합니다. 에이전트는 인간보다 훨씬 쉽게 정보를 유출하거나 사회 공학적 공격(social engineering attack)에 취약할 수 있기 때문입니다. 이는 에이전트가 단순한 도구가 아닌 ‘사용자의 확장(extension of you)‘이라는 본질적인 한계에서 비롯됩니다.

이러한 문제 해결을 위해 레비는 오픈소스(open source)의 사례를 언급합니다. 오픈소스가 처음 등장했을 때 라이선싱, 품질 등의 문제로 많은 논의가 있었고, 결국 업계 표준과 규범이 마련되었습니다. AI 에이전트 역시 이러한 논의 과정을 거쳐 새로운 표준과 통제 메커니즘이 필요할 것이라는 예측입니다.

AI 에이전트의 등장은 기존 SaaS 벤더들의 비즈니스 모델에도 큰 변화를 요구합니다. 현재 SaaS 벤더들은 비즈니스 라인 데이터(line of business data)뿐만 아니라, 그 데이터에 기반한 지능(intelligence)과 도메인 전문성(domain expertise)을 판매합니다. 그러나 에이전트는 원시 데이터(raw data)에 대한 무제한 접근과 라이선스를 원합니다. 이는 Workday, SAP, Salesforce와 같은 기업들이 오랫동안 API 접근성 문제로 씨름해 온 지점입니다.

SAP를 예로 들면, 그들의 방대한 도메인 지식은 단순히 잘 정돈된 데이터 계층에만 있는 것이 아니라 UI, 미들 티어(middle tiers), 그리고 시스템 사용 방식 전반에 걸쳐 퍼져 있습니다. 이러한 복잡성 때문에 SAP와 같은 레거시 시스템에서의 AI 확산은 더딜 수밖에 없습니다.

그러나 레비는 “에이전트가 원하는 것을 만들어라(build something agents want)“는 폴 그레이엄(Paul Graham)의 아이디어를 인용하며, 결국 에이전트가 어떤 도구를 사용할지 결정하는 주체가 될 것이라고 말합니다. 충분한 반복을 거치면 에이전트는 “레거시 HR 시스템을 교체해야 한다. 그렇지 않으면 이 워크플로를 자동화할 수 없다”고 요구할 수 있다는 것입니다. 에이전트가 사람보다 100배, 1000배 더 많은 소프트웨어 볼륨을 생성한다면, 소프트웨어 스택은 결국 에이전트를 위해 구축되어야 하며, 기업의 IT 스택 또한 이를 지원하도록 변화해야 합니다. 이는 고품질 API 구축, 새로운 수익화 모델, 에이전트 신원 및 접근 통제(access controls) 관리가 소프트웨어 기업의 핵심 과제가 될 것임을 의미합니다.

애런 레비는 “에이전트에게 ‘마케팅’을 해야 한다”는 일반적인 인식에 반박하며, 에이전트가 궁극적으로 추구하는 것은 ‘더 나은 시스템’이라고 주장합니다. 즉, 에이전트는 화려한 인터페이스나 마케팅 메시지에 현혹되지 않고, ‘의미(semantics)’, ‘비용 매개변수(cost parameters)’, ‘내구성(durability)‘과 같은 본질적인 요소를 기반으로 기술을 선택할 것이라는 설명입니다.

과거에는 가트너(Gartner)와 같은 컨설팅 기관이 어떤 시스템을 사용할지 결정하는 데 큰 영향을 미쳤지만, 미래에는 에이전트가 특정 유형의 작업에 어떤 데이터베이스가 적합한지를 스스로 판단하고 추천할 것입니다. 이는 기술 선택의 실력주의(meritocracy)를 촉진할 수 있지만, 레비는 실리콘밸리가 광고나 추천 구매 등을 통해 이러한 실력주의를 빠르게 훼손할 가능성도 경고합니다.

AI 에이전트 시대는 소프트웨어 개발, 업무 방식, 그리고 기업 운영 전반에 걸쳐 혁명적인 변화를 가져올 잠재력을 지니고 있습니다. 그러나 실리콘밸리의 낙관론이 간과하기 쉬운 현실적인 복잡성, 즉 보안, 통합, 거버넌스, 비즈니스 모델의 변화와 같은 문제들은 이 전환 과정을 예상보다 더디게 만들 수 있습니다.

스타트업은 레거시 시스템의 제약 없이 빠르게 AI 에이전트를 도입하고 새로운 비즈니스 모델을 창출할 수 있는 반면, 대기업은 기존 시스템과의 통합, 보안 위험 관리, 새로운 규범과 표준 마련에 더 많은 시간과 노력을 들여야 할 것입니다. 궁극적으로는 에이전트 중심의 소프트웨어 스택으로의 전환이 불가피하며, 이는 고품질 API와 강력한 시스템을 구축하는 것이 기업의 생존과 성공을 결정하는 핵심 요소가 될 것임을 시사합니다. AI 에이전트와 함께 열리는 새로운 시대는 우리에게 기술적 혁신뿐만 아니라, 사고방식과 비즈니스 모델의 근본적인 재정립을 요구하고 있습니다.

이날 오후 6시 직후, 트럼프 대통령은 미국과 이란이 2주간의 휴전에 합의했다고 발표했습니다. 이란 국영 언론 역시 최고 지도자의 명령에 따라 모든 군사 부대가 발포를 중단할 것을 지시하는 성명을 발표하며 합의를 확인했습니다. 이는 이란과의 전면전으로 이어질 수 있었던 트럼프 대통령의 8시(동부 표준시) 마감 시한을 앞두고 이루어진 극적인 합의였습니다.

트럼프 대통령은 이란이 2주간의 휴전 기간 동안 호르무즈 해협(Strait of Hormuz)을 완전히 재개방할 것을 약속했다고 밝혔습니다. 이 해협은 전 세계 석유, 비료, 반도체 생산용 헬륨 등 주요 물품의 이동을 막는 병목 현상을 일으켜 세계 경제에 막대한 영향을 미치고 있었습니다. 휴전 발표와 동시에 미국의 이란 폭격은 거의 즉시 중단되었습니다.

데이비드 상어 기자는 “시장이든 군부든 걸프 지역의 많은 사람들이 엄청난 안도감을 느꼈다”고 당시 분위기를 전했습니다. 그러나 이 휴전이 얼마나 실질적이며, 무엇을 의미하는지에 대한 의문은 여전히 남아있습니다.

휴전 합의 소식이 전해졌을 때, 미국과 이란의 발표는 미묘한 차이를 보였습니다. 트럼프 대통령의 발표만 놓고 보면 호르무즈 해협이 전쟁 전처럼 완전히 개방될 것처럼 들렸습니다.

그러나 몇 분 뒤 이란 외무장관 아바스 아라기(Abbas Aragi)가 발표한 성명은 달랐습니다. 그는 이란이 2주간 방어 작전을 중단할 것이며, 호르무즈 해협을 통한 안전 통행은 이란군과의 조율을 통해서만 가능할 것이라고 명시했습니다. 이는 이란이 지난 5~6주간 장악했던 해협 통제권을 계속 유지하겠다는 의미로 해석됩니다. 데이비드 상어 기자는 “이란의 비전 속에서는 이란군이 여전히 통제권을 보유하며, 어떤 속도로 선박 통과를 허용할지, 통행료를 부과할지 알 수 없다”고 지적했습니다.

한편, 이번 전쟁의 주요 주체였던 이스라엘 역시 백악관을 통해 합의에 동의했다고 전해졌습니다. 이후 이스라엘 총리실은 트럼프 대통령의 결정을 지지한다는 성명을 발표했지만, “열렬히 환영하는 분위기는 아니었다”는 흥미로운 표현이 사용되었습니다.

이번 휴전은 갑작스럽게 찾아온 것이 아니었습니다. 지난 몇 주간 미국과 이란은 전쟁의 문턱까지 가는 아슬아슬한 과정을 겪었습니다.

1. 호르무즈 해협 폐쇄와 트럼프의 최후통첩: 호르무즈 해협 봉쇄로 인한 전 세계적 경제 압박이 가중되자, 트럼프 대통령은 이란에 해협을 다시 열라는 48시간 시한을 주었습니다. 이란은 이를 무시했고, 트럼프 대통령은 3월 26일, “협상을 시작할 10일의 시간이 있다”며 또 다른 시한을 제시했습니다. 이란은 계속해서 그를 무시하고 소셜 미디어에서 비웃었습니다.

2. F-15E 격추와 극적인 구조 작전: 이 모든 과정은 금요일 발생한 F-15E 전투기 격추 사건으로 잠시 중단되었습니다. 조종사와 무기 담당관이 탈출했고, 무기 담당관은 실종되었습니다. 토요일, 이 실종된 무기 담당관을 구출하기 위한 “믿을 수 없을 만큼 대담하고 값비싼” 구조 작전이 성공적으로 이루어졌습니다. 이는 트럼프 대통령에게 자신감을 불어넣었고, 그는 이란과의 협박과 협상으로 다시 돌아갔습니다.

3. 트럼프의 위협 수위 격상: 전투기 격추 전, 트럼프 대통령은 이란이 물러서지 않으면 발전소와 다른 인프라를 공격하겠다고 암시했습니다. 이란은 “우리의 발전소를 파괴하면 걸프만 주변의 발전소에도 작별을 고해야 할 것”이라고 맞받아쳤습니다. 실종된 공군 대령을 구출한 후, 트럼프 대통령은 다시 자신의 요구 사항으로 돌아왔고, 일련의 충격적인 소셜 미디어 게시물들이 이어졌습니다.

트럼프 대통령의 위협은 점점 더 구체적이고 극단적으로 변했습니다.

• 부활절 일요일: 트럼프 대통령은 “화요일은 이란의 발전소의 날이자 다리의 날이 될 것이다. 미친놈들아, 당장 해협을 열지 않으면 지옥을 맛보게 될 것이다. 두고 봐라”라는 게시물을 올렸습니다. 상어 기자는 “외교적이지 못한 언어를 차치하고라도, 이는 대통령이 이 전쟁에 훨씬 더 깊이 개입할 의지가 있음을 시사하는 것으로 받아들여졌다”고 말했습니다.

• 월요일: 트럼프 대통령은 백악관 남쪽 잔디밭에서 열린 부활절 달걀 굴리기 행사에서 어린이들과 부활절 토끼 옆에 서서 이란에 대한 위협 수위를 더욱 높였습니다. 그는 “이란의 다리, 발전소 등을 파괴할 것이며, 누구도 본 적 없는 규모로 몇 시간 안에 해낼 것”이라고 말했습니다.

• 화요일 아침: 오전 8시 직후, 트럼프 대통령은 이전의 모든 발언을 능가하는 충격적인 소셜 미디어 메시지를 올렸습니다. “오늘 밤 한 문명 전체가 사라질 것이며, 다시는 돌아오지 못할 것이다. 나는 그런 일이 일어나길 원치 않지만, 아마 그렇게 될 것이다. 그러나 이제 우리는 다르고, 더 똑똑하고, 덜 급진적인 정신이 지배하는 완전하고 총체적인 정권 교체를 이루었으니, 혁명적으로 멋진 일이 일어날 수도 있다. 누가 알겠는가? 오늘 밤 알게 될 것이다.”

데이비드 상어 기자는 이 발언에 대해 “이는 9천만 명의 사람들을 전멸시키겠다는 위협이었다. 대통령은 단순히 이란 정부를 패배시키거나 핵 시설을 공격하는 것을 넘어, 본질적으로 거대한 전쟁 범죄를 저지르겠다는 이야기를 하고 있었다”고 분석했습니다.

트럼프 대통령의 극단적인 발언은 정치적 스펙트럼 전반에 걸쳐 광범위한 비판과 우려를 불러일으켰습니다.

• 민주당: 많은 민주당 의원들은 “트럼프 대통령은 제정신이 아니다,” “대통령직을 수행할 자격이 없다”며 내각이 대통령의 직무 수행 불능을 판단하여 부통령에게 임시 권한을 부여하는 수정헌법 25조(25th Amendment) 발동을 촉구했습니다.

• MAGA 운동 내부의 비판: 심지어 트럼프 지지층 내부에서도 비판의 목소리가 나왔습니다. 극우 논객 알렉스 존스(Alex Jones)는 “수정헌법 25조 발동은 탄핵보다 어렵다”면서도 “트럼프가 건강 문제를 겪고 있다고 공개적으로 보고하고 펜스 부통령이 대신해야 한다. 문자 그대로 그런 일이 필요할 정도로 심각하다”고 말했습니다. 마조리 테일러 그린(Marjorie Taylor Green)과 캔디스 오웬스(Candace Owens) 같은 인물들도 수정헌법 25조 발동을 언급하며 트럼프를 “대량 학살적인 미치광이(genocidal lunatic)“라고 비난했습니다.

• 터커 칼슨과 론 존슨 상원의원: 보수 논객 터커 칼슨(Tucker Carlson)은 트럼프의 게시물을 “모든 면에서 비열하다(vile)“고 묘사하며, “대통령과 직접 접촉하는 사람들은 ‘나는 사임하겠다’, ‘이런 명령을 따르지 않을 것이다’, ‘이것을 막기 위해 법적으로 할 수 있는 모든 것을 할 것이다. 왜냐하면 이것은 미친 짓이고, 명령이 내려지면 나는 실행하지 않을 것이다’라고 말해야 한다”고 주장했습니다. 비교적 대통령 비판에 신중했던 론 존슨(Ron Johnson) 위스콘신 상원의원조차 “이것은 미국인이 말하는 방식이 아니며, 대통령이 말해야 하는 방식도 아니다. 우리는 이란 국민과 전쟁 중이 아니다. 우리는 그들을 해방시키려 노력하고 있다”고 비판했습니다.

이번 휴전은 당장의 전면전 위기를 모면하게 해주었지만, 그 실질적인 의미와 지속 가능성은 여전히 불확실합니다.

• 휴전의 취약성: 데이비드 상어 기자는 “휴전은 본질적으로 취약하다. 누가 이를 위반할지 지켜봐야 한다”고 경고했습니다. 또한 호르무즈 해협의 선박 통행량이 싸움이 발발하기 전인 2월 28일 이전 수준으로 회복될지 여부도 중요한 시험대가 될 것입니다.

• 이란의 지렛대: 이란군이 여전히 해협 통제권을 쥐고 있다는 사실은 중요한 의미를 가집니다. 이는 이란이 세계 무역에 대한 강력한 지렛대(leverage)를 발견했으며, 이를 쉽게 포기하지 않을 것임을 시사합니다.

• 핵 문제의 미해결: 휴전은 더 큰 문제에 대한 협상을 위한 시간과 공간을 제공하기 위한 수단입니다. 가장 시급한 문제는 이란의 핵 프로그램입니다. 트럼프 대통령은 전쟁 발발 전 “이란이 핵 물질을 보유하는 것을 용납할 수 없다”고 했다가, “별로 신경 쓰지 않는다. 위성으로 감시할 수 있다”고 말을 바꾸는 등 일관되지 않은 입장을 보여왔습니다. 2015년 오바마 행정부가 이란과 핵 협상을 타결하는 데 2년 반이 걸렸다는 점을 감안할 때, 현재의 전쟁 상황에서 더 큰 합의를 이끌어내는 것은 훨씬 어려울 것입니다.

이번 전쟁과 휴전은 미국과 이란, 그리고 전 세계에 깊은 상처와 교훈을 남겼습니다.

• 미국의 제한적 성과: 상어 기자는 “미국과 이스라엘은 전쟁 초기에 최고 지도자를 제거하고, 군사, 정보, 핵 시설을 황폐화시키며, 미사일 프로그램을 지연시키는 등 많은 것을 달성했다”고 평가했습니다. 그러나 만약 이번 휴전이 호르무즈 해협의 통행 복원 외에 이란에 아무런 변화도 가져오지 않는다면, 백악관은 주요 목표를 거의 달성하지 못하게 될 것입니다. 이란은 여전히 군부와 신정 엘리트들에 의해 통치되고 있으며, 핵 물질을 보유하고 있고, 미사일과 드론 재건 능력을 가지고 있습니다. 무엇보다 이란은 “미국과 이스라엘에 맞서 저항할 수 있었다는 인식을 갖게 되었다”는 점이 중요합니다.

• 장기적인 영향:

  • 이란의 새로운 힘: 이란은 세계 무역에 대한 예상치 못한 강력한 영향력을 발견했습니다.
  • 걸프 국가들의 취약성: 걸프 국가들은 미사일 공격에 대한 취약성을 깨달았습니다.
  • 세계 경제의 불안정성: 또 다른 공급망 취약점이 드러나면서 세계 경제는 더욱 취약해졌습니다.
  • 미국의 중동 개입: 미국은 중동에서 벗어나겠다는 목표에도 불구하고, 다시금 상상 이상의 규모로 중동에 개입하게 되었습니다.
  • 미국의 국제적 위상 실추: 가장 중요하게는, “미국이 과거에 근본적으로 자비로운 초강대국이었다는 평판을 많이 잃었다”는 점입니다. 대통령이 “약한 정권을 전복시키고, 9천2백만 명의 생명을 위협할 수 있다”고 생각했으며, 이러한 위협이 세계에서 가장 강력한 군대를 지휘하는 대통령으로부터 나왔다는 인식이 확산되었습니다. 휘발유 가격은 내려가고 석유는 다시 흐르겠지만, “세계가 미국을 과거처럼 다시 보게 될지는 오랜 시간이 걸릴 것”이라는 암울한 전망이 제시되었습니다.

한편, 이번 휴전 소식과 함께 이란과 연계된 이라크 민병대에 납치되었던 미국인 언론인 셸리 케이디슨(Shelley KDson)이 일주일간의 억류 끝에 석방되었다는 소식도 전해졌습니다. 그녀는 억류된 민병대원 여러 명의 석방과 교환되어 풀려났으며, 이는 미국과 이스라엘이 이란과의 전쟁을 시작한 이후 이란의 지원을 받는 민병대들이 미국 목표물을 공격할 수 있다는 불안감이 고조되는 가운데 발생했습니다.

이번 휴전은 중동의 불안정한 평화가 얼마나 위태로운지를 다시 한번 보여주었습니다. 당장의 위기는 넘겼지만, 근본적인 갈등은 여전히 해결되지 않은 채 복잡한 국제 정세의 그림자 속에서 다음 국면을 기다리고 있습니다.